岗位职责
- 负责 AI Agent以及平台的可用性、性能与容量保障，设计并落地 SLO/SLI/Error Budget 体系，建设全链路可观测性与限流熔断、灰度发布、快速回滚等容灾能力
- 负责 Agent 执行基础设施的可靠性保障：代码执行沙箱、工具调用网关、会话与状态存储等的资源隔离、弹性伸缩、性能优化与容量规划
- 负责云资源运维（K8s 集群、存储、网络等），保障弹性伸缩与配额安全，建设资源利用率与成本可观测体系，推动 FinOps 实践
- 建设 Agentic 运维体系：基于 LLM + 工具调用（Tool Use / MCP）构建自主运维 Agent，实现告警聚合、根因分析、故障自愈的闭环；设计工具权限边界、审批流、人工兜底（Human-in-the-Loop）机制与动作评测体系
- 保障云上资源访问安全与审计合规（IAM、密钥管理、网络隔离），确保 Agent 自动化操作安全可控
职位要求
- 3 年以上 SRE / 平台工程 / 基础架构经验，扎实的 Linux、网络、存储基础；精通至少一门编程语言（Go / Python / Java），有运维平台或自动化工具开发经验
- 熟悉 Kubernetes 与容器化部署，有大规模集群运维经验；熟悉至少一个主流云平台（阿里云 / AWS / GCP）的核心产品与 IAM 体系
- 具备可观测性体系设计经验（Prometheus、Grafana、OpenTelemetry 或同类），具备良好的故障排查直觉与系统性思维，能够冷静决策
- 有 LLM / AI 应用相关系统经验者优先：熟悉推理服务、RAG 检索、Function Calling 等链路特点；有 LLM 基础设施运维经验（推理框架、GPU 调度、向量数据库等）者优先
- 熟悉 AI Agent 应用架构特点：工具调用 / MCP、会话编排、流式响应（SSE / WebSocket）等，有相关系统的高可用保障经验者优先
- 有沙箱 / 隔离执行环境的 SRE 经验者优先：熟悉容器安全隔离、gVisor、Firecracker microVM 或类似代码执行沙箱方案，了解资源配额、安全边界与高密度调度场景
- 有工具调用网关、函数执行平台（Serverless / FaaS）或多租户资源隔离、配额与计量体系的运维建设经验者优先
- 有 AIOps / 智能运维系统建设经验，了解 Agent 评测（Eval）方法者加分；有 FinOps / 云成本治理实践经验者加分
