岗位职责
主导集团稳定性领域核心系统的设计与开发，重点建设风险左移和故障事前检测能力，覆盖从变更前存量风险扫描、变更时自动检测到运行态防御的全链路风险治理体系，并结合 AI 大模型提升故障全生命周期各环节的智能化水平。 ● 风险左移与事前检测体系建设：主导设计变更前存量风险扫描（如容量基线监控、静态代码质量扫描、依赖拓扑治理、隐性健康度巡检等）的技术方案，将风险发现从"事中排查和事后复盘"前移至"事前拦截" ● AI 驱动的风险检测引擎：基于大模型和 AI Agent 技术，建设智能化风险检测能力，包括但不限于：代码变更 Diff + AST 调用链的结构化风险分析、历史故障模式的向量化检索与自动匹配、SOP 完备性的 LLM 推理引擎等 ● 风险检测数据底座建设：设计并落地风险检测所需的数据资产体系，打通变更上下文（Diff、配置值、发布计划）、服务依赖拓扑、容量基线、SOP 知识图谱等多源数据，解决"信息不可达"导致风险无法识别的核心瓶颈 ● 故障诊断与快恢能力建设：通过历史故障结构化分析，沉淀故障排查、定位和恢复的标准 SOP，结合 AI 建设故障自动诊断与智能恢复能力，降低 MTTR 系统架构与工程卓越：持续优化系统高可用架构、性能调优、全链路监控与容灾预案，解决高并发、低延迟、高可靠性等复杂技术挑战
职位要求
● 2 年以上复杂系统开发经验，具备技术路线规划能力，能主导从需求分析、方案设计到工程落地的全流程；具备良好的系统架构思维，关注性能、质量、扩展性与前瞻性。 ● 编程基础扎实，精通Python/Go/Java/Rust中至少一门语言，具备扎实的工程基础；熟悉分布式系统设计，包括缓存、消息队列、微服务治理等。 ● 具备大模型（LLM）在复杂系统中的实际落地经验，并持续优化效果（如评估指标、反馈闭环），能评估 LLM 在风险场景中的可靠性、边界与误判风险（如 hallucination、误报/漏报）。 ● 有丰富的运维和稳定性领域经验，能够理解微服务、云原生和可观测体系，熟悉运维场景痛点。 ● 强烈的结果导向，能够通过数据驱动的方式验证算法效果与业务价值。优秀的跨团队沟通能力，能将复杂技术问题转化为可落地方案。 ● 学习能力强，乐于接受新技术，具有优秀的分析和解决实际问题的能力和态度，对技术有强烈激情。 ● 符合以下条件之一者优先： ○ 有开源AIOps项目（如SkyWalking、Elastic ML）贡献经验。 ○ 发表过AI/运维相关顶会论文（如KDD、NSDI、ICML）。
