服务器运营稳定性工程师 - AI算力基础设施

字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。

1. 负责线上服务器稳定性保障，规划建设稳定性流程规范、平台系统、保障机制和能力，负责现网运营稳定性监控、稳定性风险识别、问题响应处理和保障措施，保障业务稳定健康运行；
2. 负责服务器稳定性相关能力建设及运营，包括服务器大规模故障快速恢复、服务器演练、服务器重保等；
3. 负责服务器硬件相关稳定性故障处理，包括故障定位分析、故障跟踪止损、故障复盘等；
4. 负责服务器稳定性风险发掘，包括服务器质量、运维流程、平台系统等方向风险识别及治理；
5. 参与服务器监控告警优化，深入推进监控能力的长期治理，提高监控告警、事件分析质量。