岗位职责
负责阿里集团大模型训练推理平台及核心业务的技术支持工作，覆盖故障预防、发现、响应、复盘闭环，深度参与推理引擎与训练基础设施的研发测试、故障演练、容灾验证及变更管控，推动可观测性建设与CI/CD流程规范化，保障模型从研发到生产的高效、稳定交付。
- 负责大模型推理平台、TF-infra训练基础设施的故障全生命周期管理，覆盖故障预防、发现、响应、复盘闭环，推动稳定性度量体系（SLI/SLO）设计及风险洞察运营。
- 深入大模型训练与推理研发全周期，参与架构评审、测试体系建设与质量保障、推进CI/CD流程建设与优化、变更管控体系及规范建设，设计实施故障演练与容灾演练，验证系统的故障自愈与降级能力，推动演练常态化和问题闭环。
- 推进大模型推理平台、TF-infra训练基础设施平台的可观测性体系建设及优化治理，建设多层级监控大盘与下钻分析能力，推动告警分级、智能收敛和问题定位，提升从"告警触发"到"问题定位"的效率。
- 负责线上告警的排查与根因定位，建立告警响应SOP和典型故障诊断路径。
- 作为业务团队协同枢纽，对内联动研发、测试、SRE、产品等角色推进重点目标，对外面向商业化前线TAM提供统一技术接口，降低对研发的资源消耗，为重保客户提供稳定性支持。
职位要求
通用要求：
- 计算机及相关专业本科及以上学历，2年以上互联网、云计算、AI Infra、MaaS方向运维、测试或稳定性工程经验。
- 逻辑清晰、学习自驱力强，抗压能力和责任心强，事事有响应、有反馈、有跟进；具备良好的跨团队协同能力与技术文档沉淀习惯。 专业能力要求（以下领域至少具备2项核心专长）：
- 稳定性工程经验：具备复杂业务场景下流程优化、过程改进、高可用架构落地及组织稳定性意识提升的实战经验。
- 监控治理与排查定位：有监控建设与优化治理经验，有较强的线上问题排查与根因定位能力，能通过日志分析、指标关联、链路追踪等手段快速定位复杂故障的根因。
- 测试体系与故障演练：有测试体系建设经验，包括功能测试、集成测试、E2E测试、全链路压测等；有故障演练或混沌工程实践经验（如MonkeyKing、Chaos Mesh等）。
- CI/CD与变更管控：熟悉CI/CD流程设计与工具链，有发布卡点、灰度策略、自动化回归集成经验。
