岗位职责
- 负责大模型推理服务的稳定性保障体系建设，包括监控告警、变更管控、故障演练、风险治理等核心能力的规划与落地。
- 深入研发域，主导稳定性工程实践向上下游延伸，推动核心链路的可观测性、变更可追溯性和故障快速恢复能力建设。
- 构建故障演练机制，梳理系统架构及依赖关系，设计演练场景，组织常态化演练并推动问题闭环。
- 结合AI能力探索稳定性工程场景，如智能诊断、风险预判、故障知识图谱等创新实践，提升稳定性保障效率。
- 作为领域专家参与故障复盘与前线答疑，沉淀稳定性方法论并赋能团队，提升整体技术深度与自闭环能力。
职位要求
- 5年以上稳定性工程/SRE/运维架构相关经验，有大规模分布式系统稳定性保障的完整落地经历，熟悉监控、告警、变更管控、故障演练等核心领域。
- 具备全局性架构思维，能独立梳理复杂系统架构及依赖关系，从端到端视角识别风险并设计治理方案。
- 了解大模型推理服务架构者优先，有LLM Serving或MaaS平台相关稳定性实践更佳。
- 对前沿新技术敏感，有AI工程化落地经验，将AI能力与业务场景结合，探索智能诊断、自动化风险识别等方向的工程实践。
- 良好的跨团队协作与沟通能力，能联动研发、SRE、测试等多方推动问题解决，有技术布道和团队赋能意识。
