岗位职责
- 负责快手大规模大数据集群与数据平台的稳定性建设，覆盖 Hive、Spark、Flink、ClickHouse、Doris、hudi等核心组件；
- 建设并迭代平台级稳定性体系，包括监控告警、容量与性能治理、变更管理、故障应急与复盘改进；
- 深入参与日常 Oncall 与故障处置，主导根因分析，推动问题在系统层面收敛而非重复应急；
- 设计并落地自动化运维能力，持续提升巡检、告警处置、故障诊断、应急处置的自动化覆盖率；
- 建设基于大模型的智能运维（AIOps），Agent 驱动的诊断与执行、知识沉淀与能力进化。
职位要求
- 本科及以上学历，具备 3 年以上大规模分布式系统或大数据平台运维经验；
- 深入理解 Linux 操作系统、网络、存储、调度等基础设施原理，具备扎实的故障排查与性能调优能力；
- 熟悉 Hadoop 生态或至少一个主流大数据组件的原理与运维，包括 HDFS、YARN、Hive、Spark、Flink、ClickHouse、Doris、Kafka 等；
- 具备良好的复杂问题分析能力，能够主导跨系统、跨组件故障定位与根因分析；
- 重视规范、文档与复盘，善于把应急经验沉淀为系统能力；
- 能够承担 Oncall 责任，具备较强的抗压能力与跨团队沟通协调能力；
- 对 AI Agent、大模型应用、自动化运维、AIOps 方向有热情或实践经验者优先；
- 熟练使用Ai Coding工具，独立完成AIOps系统的研发。
