岗位职责
我们正在构建一个由 AI 驱动的全新编程范式——在这里，代码不仅是被写的，更是被"理解"、"推理"和"共创"的。你将站在 AI for Code 的前沿，用工程能力将大模型的潜力转化为真实世界中数百万开发者的生产力，重新定义人与机器协同创造的方式。而这一切的前提，是稳定：当数百万开发者把工作交给 AI，背后需要有人收掉系统的不确定性——在每一次发布、每一次模型迭代、每一场故障里建立秩序，并用 Agent 把排查和应急重新做一遍。如果你对 AI 如何改变软件开发充满好奇，喜欢动手建平台、敢于尝试新点子，欢迎加入我们，一起在 AI + SRE 的前沿探索中快速成长。 二、岗位职责
- 可观测体系与告警治理：统一 Qoder 全球多种交付形态的监控口径与故障定级大盘，整合可观测入口，制定告警分级标准、治理噪点并推动 Alert as Code，让问题看得见、报得准、有人接。
- 变更安全与发布体系：建设按租户保障等级编排的灰度发布体系，落地自动化回归门禁、应用与 DB schema 强制绑定、分批断点与快速回滚，让发布风险左移。
- 正确性验证与性能工程：建设计费、额度、账期的主动巡检与模型行为回归基线，建立核心接口性能基线（P50/P90/P99）与发布后退化阻断，推动故障注入与演练常态化。
- 恢复能力与容量治理：收敛限流、熔断、降级、快恢开关与容灾切换能力并推动降级自动触发，定义容量基线与安全水位，完成关键资源容量治理与弹性扩缩验证。
- 架构风险治理与多地域稳定性：维护服务分级表与架构 Checklist，定期审计单点、跨地域依赖与网关接入层风险并推动闭环，支撑多 Region 多活与容灾演练。
- SRE Agent 与 AI Native 稳定性平台：建设 AI Native 的稳定性平台（SRE 排查 Agent、变更检查 Agent、告警协同），把排查 SOP 与应急预案沉淀为 Agent 可执行能力，降低故障定位（MTTI）与恢复（MTTR）时间。
职位要求
- 本科及以上学历，计算机科学、软件工程或相关专业；2 年以上云产品 SRE 经验（或云上大规模在线服务的稳定性建设经验），主导过至少一项体系级建设（可观测/压测/混沌工程/自动化运维，从 0 到 1 自建并被其他域复用，非配置现成平台）。
- 编程能力：精通 Go/Java 至少一门语言，能独立完成平台级系统的设计与上线。
- 具备云上基建的工程化视角：熟悉 VPC/网络、数据库、缓存、消息队列、网关、K8S 的常见形态与故障模式，能对服务做单点、依赖、容量维度的风险拆解并推动落地。
- 深入掌握稳定性核心手段并有实战：全链路监控与 Trace（Prometheus/OpenTelemetry 等任一栈）、限流熔断降级、灰度发布与回滚、容灾切换；具备容量规划或故障复盘主导经验，理解 SLO/Error Budget 的运营方式。
- 有跨团队推动标准落地的经验与表达抽象能力：能把方法论收敛成 Checklist、模板和工具，让各业务域愿意用；面对效果兑现慢的横向工作有耐心。
- 加分项： a. 有多 Region/全球化架构下的稳定性建设经验（跨地域数据同步、流量调度、容灾演练）。 b. 有 AI Agent/LLM 应用落地经验，运维或可观测场景（自动诊断、告警降噪、巡检 Agent）优先，其他场景亦可。 c. 有可观测数据层/查询引擎等纵深系统的从 0 到 1 建设经验，并扛过相应规模。 d. 有云厂商或云产品线 SRE 经历（计算/网络/存储/数据库任一层），处理过该产品的线上故障与容量问题。
