岗位职责
- 稳定性体系建设：建立并完善云平台稳定性规范、标准与流程体系，覆盖健壮性架构、研发质量、发布变更、生产运行全链路，制定稳定性度量指标并持续改进
- 故障全生命周期管理：负责技术类故障的全流程管理，包括应急响应、协同调度、故障定位、恢复处置与复盘改进；执行值班响应职责，在 SLA 时间内完成对客响应
- 稳定性架构治理：主导推进稳定性架构治理重大战役，包括全栈容灾、变更灰度、应急 1-5-
- 资损防控、GPU 故障隔离等，通过技术与管理结合的手段持续收敛稳定性风险
- 运维保障方案落地：设计并落地运维保障解决方案，涵盖线上问题管理、全链路监控、生产变更管理、故障容灾演练等，沉淀运维最佳实践
- 客户活动保障：主导客户大型活动的稳定性保障，包括重要模型发布、业务大促、行业峰会等关键时期的全方位保障
职位要求
- 专业背景：计算机、软件工程、人工智能等相关专业，对云计算或 AI 大模型方向有持续的技术积累
- 技术栈能力：3年以上云计算或 AI 基础设施运维、SRE、稳定性保障经验，技术栈聚焦以下一个或多个领域： • 运维技术栈：深入理解 Kubernetes 等云原生基础设施，熟悉监控、告警、变更、容灾等 SRE 工具链 • AI 技术栈：熟悉 LLM 与 Agent 技术，有应用于自动化运维、故障诊断的实践经验；了解 GPU 集群管理、模型推理服务架构者优先
- 系统性解决问题能力：具备清晰的分析逻辑与全局思维，能从系统设计与工程机制角度提出创造性解决思路，推动问题根除与持续改进
- 沟通协作与结构化表达：具备优秀的沟通能力，能主动洞察沟通对象核心诉求，高效达成共识；能主导跨部门复杂业务协作
- 快速学习与并行执行：能敏锐跟踪 AI、云原生、可观测性等前沿方向，在压力下保持清晰的优先级判断 加分项
- 有大模型 ACA 认证、MaaS 平台运维或 GPU 集群管理经验
- 有 AIOps 落地实践（异常检测、根因分析、智能告警等）
- 有 ITIL 认证及体系化实践，或具备 AWS / Azure / GCP 等云平台稳定性保障经验
- 能独立主导跨部门复杂项目落地
