岗位职责
- 负责阿里集团业务、大模型训练/推理平台、中间件及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，推动稳定性目标与度量体系（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，前置识别稳定性与运维风险；参与训练/推理架构评审（如 PD 分离、KV Cache 管理、多机推理等），推动可观测、容量、容灾及故障隔离能力建设，规范变更三板斧，建立强弱管控机制。
- 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。
- 负责双
- 618 等大促及大模型业务高峰期的稳定性保障，参与活动稳定性管理、应急协同及现场护航。
- 负责集团稳定性机制与文化运营，制定并运营故障应急、变更管控、发布审批、应急演练等标准流程，沉淀 FAQ、Runbook、故障案例库，推动个人经验转化为组织资产。
- 负责建设故障 AI 分析工具，设计故障标签体系、自动化打标、智能解析与深度解读，探索 AI 时代故障管理新范式。
职位要求
- 计算机及相关专业本科及以上学历，1 年以上互联网、云计算、AI Infra、MaaS 方向运维经验，熟悉 Java/C++/Python 等至少一门编程语言。
- 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。
- 逻辑清晰、思维全局，能提出有创造性的问题分析与解决方案。
- 责任心强，事事有响应、有反馈、有跟进；沟通表达优秀，具备良好的团队合作与跨团队协同能力。
- 学习自驱力强，持续关注新技术，能并行处理多任务，抗压能力强。
- 有大模型训练/推理服务运维经验，或智能运维工具实践经验者优先。
