岗位职责

负责超大规模大数据平台及 AI平台的稳定性保障，围绕监控告警、故障诊断、容量水位、链路治理、变更风险、应急处置和复盘改进等场景，持续提升系统可靠性。
负责生产环境部署、发布、扩缩容、迁移等关键场景的稳定性保障，沉淀交付与运营的标准化方案。
负责支持客户业务平稳迁移方案设计、适配、风险评估，在迁移关键节点提供稳定性兜底。
参与智能运维 Agent建设，结合大模型、RAG、工具调用、自动化编排和知识库能力，落地日志分析、指标分析、故障归因、异常检测、根因定位、SOP 执行和运维问答等AI化运维能力。

职位要求

深入理解 ElasticSearch、EMR、Spark、StarRocks 等分布式系统技术架构和调用链路，熟悉阿里云云原生架构与网络架构。
3 年以上云计算/AI相关工作经验，具备某一大产品领域知识（基础设施，网络，云原生）+AI领域知识，经历过大型互联网系统的保障建设以及AI系统建设。有大规模业务迁移（跨云、跨机房、跨架构）的方案设计与落地经验优先。
了解AI领域前沿技术进展，熟练掌握AI工具，对全栈AI（AI Infra，MAAS以及AI工程应用）有具体实践经验。
有运维开发、平台开发、自动化工具建设经验，对大模型、RAG、Agent等 AI 工程化技术和AI Coding有实践经验。有 LLM / Agent 在运维场景的落地经验并有真实落地数据，如运维 Agent、智能巡检、根因诊断、应急 Copilot、ChatOps 等优先。
主动自驱，结构化表达，善于把"一次性问题"沉淀为"可复用方案"，能与产品研发、客户、合作伙伴多方协同推进结果。
拥抱变化，结果导向，在业务和组织节奏快速变化的环境中保持适应力，对内部协作方与客户的真实诉求有敏感度，并以终态目标为导向推进事情落地。