岗位职责
- 稳定性保障与体系建设：负责大模型服务平台及人工智能产品的稳定性保障工作，通过指标建设、预案设计、容量规划、监控完善、建立SOP等手段提升业务可用性与可靠性。
- 高并发流量治理：主导大规模分布式系统及高并发场景下的流量治理方案设计与实施，包括弹性扩缩容以及熔断、限流、降级等容灾策略，确保业务连续性与鲁棒性。
- 新环境部署：在新环境上进行一整套推理系统及其上下游依赖的部署和运维，负责日常模型的上架、性能监测、中间件和底层基建性能监测等。
- Oncall与应急响应：参与OnCall值班，快速定位并解决生产环境故障，主导重大事件应急响应与复盘；建立故障快速恢复机制，推动根因分析及长效改进措施落地。
- 运维自动化：优化现有部署、监控及维护流程，推动运维自动化与平台化建设，提升研发效率与系统可观测性。负责监控/日志/网络/存储等原生基础设施的保障和工具开发。
职位要求
- 计算机及相关专业，5年以上的SRE/Devops经验，有大型互联网公司运维经验者优先。
- 熟悉常见的公共云服务，熟练使用通用云产品（如VPC、ECS、SLB、RDS等），具备云原生运维经验。
- 深入理解Linux系统原理及运维体系，熟悉分布式系统设计。熟练掌握Kubernetes与Docker架构及技术原理，有大规模生产集群的部署、调优及故障排查经验。
- 熟悉Prometheus、Grafana、ELK、SkyWalking、OpenTelemetry等可观测性技术栈。
- 至少掌握Python/Go/Shell任意一门语言，熟悉主流Web框架，有运维工具开发经验者优先。
- 具备优秀的逻辑分析能力与系统性思维，对技术敏感度高，有强烈的责任心，具备优秀的沟通能力、执行力及团队合作精神。
