岗位职责
- 负责线上生产环境的稳定性保障，包括系统监控、故障应急、容量规划、性能调优与日常运维，持续提升服务可用性（SLA）。
- 设计并研发内部运维平台/工具（如自动化部署、监控告警、容量管理、成本优化、故障自愈等），用工程化手段替代重复性人工操作。
- 基于阿里云及 Kubernetes 构建和维护云原生基础设施，负责集群的部署、扩缩容、升级与治理。
- 建设并持续完善云上与业务两个维度的监控告警和日志收集体系：整合阿里云 SLS、Prometheus、Grafana 等能力，覆盖基础设施、云产品与业务指标，制定合理的告警策略与可观测大盘，实现问题的及时发现与快速定位。
- 推进 CI/CD 流水线建设，完善发布、回滚、灰度机制，保障变更安全高效。
- 参与线上重大故障的排查与复盘，沉淀应急预案与最佳实践，从根因上减少故障复发。
职位要求
- 本科及以上学历，计算机相关专业，3 年以上运维或 SRE 相关工作经验。
- 具备一定的开发能力，熟悉至少一门编程语言（如 Go / Python / Java 等），能够独立开发运维平台或自动化工具，而不仅是脚本编写。
- 熟悉阿里云核心产品（ECS、SLB、VPC、ACK、RDS、Redis、SLS 等），有较丰富的公有云环境使用与治理经验。
- 深入理解 Kubernetes 架构与工作原理，具备生产级 K8S 集群的部署、运维与排障经验。
- 拥有较丰富的线上环境运维经验，熟悉高并发、大规模分布式系统的稳定性保障，有独立处理线上故障的实战能力。
- 熟悉 Linux 系统与常见中间件，较深入了解阿里云 SLS（日志服务）、阿里云 Prometheus 监控服务及 Grafana，能搭建完善的监控、日志与可观测体系，并有基于其做告警、大盘与运维自动化的实战经验。
- 具备扎实的网络基础，理解 TCP/IP、DNS、HTTP、负载均衡、VPC/专线等，能定位跨网络链路的性能与连通性问题。
- 具备良好的成本意识，在方案设计与资源使用中主动考虑投入产出，持续推动降本增效。
- 对生产环境心存敬畏，严格遵守变更规范，操作谨慎、有风险预判，能对线上安全负责。
- 具备较强的自主学习能力，能快速上手新技术、新业务；有良好的责任心与推动力，能够独当一面，独立负责模块或项目的落地。 加分项
- 有自研运维平台、自动化运维体系或稳定性平台的从 0 到 1 建设经验。
- 熟悉云成本优化（FinOps）、容量规划或资源调度相关实践。
- 有音视频、RTC、实时通信等大流量业务的运维经验。
- 熟悉 IaC（Terraform / Helm 等）及 GitOps 工作模式。
- 有完善监控告警体系的搭建与运营经验，能设计合理的告警策略、降低误报漏报、提升告警有效性。
- 有 AIOps / 智能运维相关经验，如利用 AI/大模型做异常检测、根因定位、故障预测、智能问答或运维自动化等。
- 具备开源项目贡献或技术社区影响力。
