张东豪 / ZhangDonghao

职业目标：AI-HPC 领域专家

张东豪（ZhangDonghao）是 AI 与高性能计算（HPC）融合方向的基础设施工程师，长期从事智算集群、高速网络、AI 平台与调度系统的建设与交付，主导过多个大型 AI/HPC 集群项目，并持续运营 AI-HPC.org 技术门户与配套工具链。

工作经历

运维开发工程师（AI Infra 方向）

• 智算集群基础设施支持：为上海某运营商万卡级 AI 训练集群提供技术支持，负责 InfiniBand 高速网络的架构优化、性能监控与故障诊断，保障分布式训练任务的通信效率。
• AI 平台与工具链开发：使用 Python（Flask/Django）主导开发 AI Agent 服务平台，封装底层算力调用接口；利用 Docker 容器化技术快速部署和管理 AI 开发及推理环境（Dify、ComfyUI 等），提升算法工程师的研发效率。
• 自动化运维与监控：编写 Shell 脚本，开发自动化故障告警和日志分析工具，实现对集群关键指标的实时监控与快速响应。
• 云原生与 DevOps 实践：负责阿里云云效 DevOps 平台的日常管理，构建 CI/CD 流水线，并对智能客服等应用的云资源进行成本预测与性能评估，优化资源配置。

AI 和 HPC 产品交付经理（AI Infra 方向）

• 高性能计算集群搭建：主导并完成多个大型 AI/HPC 项目，包括清华大学 GPU 集群、北京大学 HPC 项目等，负责从服务器、存储、IB 交换机等硬件上架、布线，到操作系统、调度系统和 AI 软件栈的全流程部署与验收。
• 异构计算资源管理：深入掌握 Slurm 调度系统，负责 CPU+GPU 异构资源的统一调度与管理策略制定，编写调度脚本以优化科研计算和 AI 训练任务的资源分配与执行效率。
• 系统性能测试与调优：负责对集群的 CPU、内存、分布式存储、IB 网络及 GPU 进行全面的性能基准测试（如 HPL、NCCL Tests），分析瓶颈并进行系统级调优，确保集群整体性能达到最优。
• AI 平台部署与维护：核心负责浪潮 AIStation 人工智能平台的部署与运维，为用户提供模型训练、资源监控、任务管理等一站式服务，并提供技术培训与远程支持。

IT 技术支持讲师

• 负责 Linux、Shell、Python 等课程的教学，并指导学员部署 Docker、Nginx、Ceph 等分布式及容器化软件。
• 搭建并维护教学实验环境，使用 Prometheus + Grafana 构建服务器集群监控系统。

专业技能

• 编程语言：精通 Python、Shell；熟悉 C/C++，具备基础的 CUDA 编程能力。
• 分布式技术：熟悉 HPC 集群架构、InfiniBand 网络；掌握 Docker 容器化技术；了解 Kubernetes（K8s）容器编排。
• AI 框架与工具：熟悉 PyTorch/TensorFlow 等主流框架的训练流程；了解 Transformer、CNN 等模型基本原理。
• 资源调度与管理：精通 Slurm；了解异构计算（CPU+GPU）任务调度。
• 监控与运维：熟练使用 Prometheus、Grafana 进行系统监控；熟悉 Linux 系统管理与性能调优。

技术认证

• NVIDIA：基于提示词工程的大语言模型 LLM 应用、使用 CUDA 加速 C/C++ 应用、使用 DOCA 开发 DPU 应用

代表作品

• AI-HPC.org —— 本站门户：AI-HPC 智算超算专家站，含 14 章 AI/HPC 工程知识库
• AI-HPC 智能专家（chat.ai-hpc.org）—— 基于 Dify 搭建的 AI-HPC 问答与路径导航助手
• AIInfra 知识库 —— AI 基础设施系统化知识库（集群 / 存储网络 / 云原生 / 训练 / 推理）
• 技术博客系列 —— PyTorch 内部架构、Autograd、Triton/GPU 编程、NCCL 通信、编译器框架等深度文章

联系方式

• 邮箱：openaihpc@gmail.com
• GitHub：github.com/openaihpc