岗位职责
- 平台稳定性与故障响应：持续关注评测平台运行状态，分析告警、异常任务、失败日志和资源使用情况；及时响应线上故障和用户问题，快速判断影响范围、定位根因并推动恢复；对重要故障开展复盘，跟踪改进措施落地；建立并完善告警分级、故障响应、问题升级和应急处理机制；参与必要的线上值班及重大评测任务保障；
- 用户问题定位与解决：协助用户排查评测任务提交、调度、执行、模型调用、评分和结果生成等环节的问题，结合任务状态、日志、指标和调用链信息还原问题现场，提供清晰、准确、可执行的解决方案；总结高频问题，完善错误提示、排查文档、FAQ 和自助诊断能力；将用户反馈转化为平台改进项并推动闭环；
- 可观测性体系建设：完善评测系统的日志、指标、调用链和事件体系，建设覆盖任务提交、队列调度、数据准备、模型调用、沙箱执行、评分及结果聚合的端到端可观测能力；设计和维护 Dashboard、SLI、SLO 及告警规则；持续治理误报、重复告警和告警盲区；建设任务级、用户级、模型级和基础设施级的问题关联与下钻分析能力；
- 诊断工具与自动化建设：开发任务诊断、日志聚合、环境检查、根因分析等内部工具，将重复性的人工排查流程标准化、工具化和自动化；建立常见问题分类、诊断规则及修复建议，推动平台提供更明确、用户可理解的错误信息；探索使用大模型进行日志分析、异常聚类、故障归因和诊断建议生成。
职位要求
- 具备扎实的线上问题分析和故障诊断能力，能够利用日志、指标、调用链和系统状态逐步定位问题；
- 熟悉 Linux、网络、进程、文件系统及常见系统故障的排查方法；
- 熟悉 Docker、Kubernetes 或其他容器、编排及任务调度技术；
- 能够使用 Python、Go 或 Shell 开发诊断工具和自动化程序；
- 理解分布式系统中的超时、重试、限流、资源竞争、级联故障和数据一致性等常见问题；
- 具备良好的沟通和协作能力，能够准确理解用户问题，并推动跨团队解决；
- 具备较强的责任心和 Owner 意识，不仅能够恢复服务，也愿意追踪根因并推动长期改进。
