$ whoami

张靖杰

杭州,SRE 出身,干了 7 年多"让系统别挂"的工作。现在在箴理科技做 AI 基建——把大模型塞进国产算力里,调快、调稳、调便宜。正在找 FDE(AI 基建方向)的机会。

发邮件给我 GitHub 上的开源项目

年 SRE / DevOps

台节点,最多的时候

峰值在线 Pod

云账单砍掉的

做过的东西

点开看细节。每个都是真实跑过的,不是练手项目。

ai-fixer 开源

报警来了,AI 先查;人点头,它才动手

生产环境报警全靠人排查,又慢又容易漏。我做了这个 Agent:飞书收到报警后,它自己去查日志、看指标、翻事件,给出诊断和处理建议;人审批通过,它才执行重启、扩容、回滚这些操作。全程留痕,能复盘。有命名空间白名单、操作配额、冷却时间这些保险,已经过了生产准入,在灰度跑着。

LLM AgentKubernetesPrometheusLokiSentry

→ github.com/FLM210/ai-fixer

点击展开 / 收起

GPU ChatOps 平台

申请 GPU?在群里说一声就行

从 0 到 1 做的。把 PVE 等基础设施的 API 包装成 MCP 服务接进大模型,GPU 资源的查询、申请、回收、闲置治理,用对话完成。以前要走工单等半天的事,现在一句话。

MCPPVE大模型工作流

点击展开 / 收起

3D 重建计算平台

让 GPU 别闲着,也别抢

图片生成 3D 模型的流水线,原来每个任务起一个独立 Pod、独占一张卡,量大之后又慢又浪费。改成 Argo Workflows 管编排、Ray 管计算:低显存任务用 Fractional GPU 挤在一张卡上跑,KubeRay 按排队任务自动扩缩 Worker。高峰扛得住,闲时不烧钱。

Argo WorkflowsRay / KubeRayFractional GPU

点击展开 / 收起

私有化交付与 Operator

断网的机房,也要能装上

把单机交付的产品改造成 Kubernetes 集群化方案:用 Kubebuilder 写 Operator 管整个生命周期,资源隔离、权限、网络策略配齐;再把 NVIDIA GPU Operator、Harbor、MinIO、监控打成全离线包。部署周期从几天压到几个小时。客户现场什么环境都有,这套东西是真刀真枪练出来的。

GolangKubebuilderGPU Operator离线交付

点击展开 / 收起

CI 提速:6 小时 → 40 分钟

团队等不起的时间,砍掉了 85%

核心项目一次构建要 6 个多小时,发版和修 bug 全被它拖着。我重构了打包流程和缓存机制,搭了一套 Kubernetes 弹性编译集群,构建时间降到 40–80 分钟,然后推广到了主要业务线。没人给我排期,是我看不下去了自己干的。

GitLab CIBuildKit弹性编译集群ArgoCD

点击展开 / 收起

云成本治理

账单是最好的优化文档

对着监控和账单做资源审计:释放闲置实例、把机器换成高性价比规格、下线烧钱的超级节点改用弹性扩容,跨地域流量也重新规划了一遍。一个月后账单降了 40%。AI 时代算力就是成本,这套省钱的思路换个场景一样用。

腾讯云 TKE/CVM/COSHarborPrometheus

点击展开 / 收起

在哪儿干过

2018 年入行,一直在和"线上系统"打交道。

2026.07 — 现在

箴理科技 · AI 基建(大模型推理)

负责 Qwen3-27B 这类大模型在昇腾 910B 上的推理服务:部署、调参、排查,盯着吞吐和缓存指标过日子
重做了推理服务的监控看板,服务还能扛多少、瓶颈在哪,一眼能看出来
调研让推理更快更省的方案(推测解码、W8A8 量化),顺手排查了 Claude Code 等 AI 工具和国产模型的兼容问题
在麒麟 Linux、无外网的环境里,从零搭起整套容器运行环境

2025.12 — 2026.06

上海无羁未来数字科技 · SRE

管上海、硅谷多地域的腾讯云集群,月度云成本降了 40%
把监控告警和 GitOps 交付链路在各环境统一了一遍

2023.03 — 2025.10

叠境数字科技 · DevOps(数字孪生)

主导产品从单机到 K8s 多集群的改造,写了 Operator,做成断网也能装的私有化交付
搭了 Argo + Ray 的 GPU 计算平台;重构 CI,构建提速 85%

2018.10 — 2023.03

河南梵海信息科技 · PaaS 运维

12 个 K8s 集群、1200+ 节点,日常上万 Pod,保的是运营商核心业务
带完了传统应用的容器化改造,Jenkins CI/CD 覆盖 80% 业务

吃饭的家伙

不写"精通",只写我真拿来干过活的。

大模型推理

vLLM 部署调优、KV Cache / Prefix Cache 分析、FP8 / W8A8 量化、昇腾 910B、Speculative Decoding 调研

Kubernetes

生产级多集群运维,也会写 Operator(Kubebuilder / Golang);GPU 从宿主机到 Pod 的链路门儿清;k3s / k0s 都玩过

可观测性

Prometheus · Grafana · SigNoz · Loki。监控不是为了好看,是为了半夜少被叫起来

CI/CD 与交付

GitLab CI / GitHub Actions / ArgoCD / BuildKit,搭过弹性编译集群,做过全离线交付包

写代码

Golang、Python,写过 Operator、API 服务、Agent 平台;Claude Code 重度用户——用 AI 写代码,也修 AI 写的代码

云和钱

腾讯云全家桶、Cloudflare、PVE、Harbor;砍账单是真砍过 40% 的