岗位职责
- 负责 MaaS 平台稳定性体系建设，搭建覆盖故障预防、发现、止损、恢复的可用性能力，完善服务质量指标与SLI/SLO管理；
- 建设统一可观测平台，打通指标、日志、链路、变更事件；按租户、模型、供应商、地域多维度监控，重点保障调用成功率、首 Token 时延、流式链路健康，提升排障效率；
- 搭建分级告警体系，实现告警聚合降噪、抑制升级和处置联动，减少漏报误报，缩短异常情况响应时长；
- 负责变更治理与回滚能力建设，支撑代码、配置、模型版本、路由变更，实现灰度校验、异常阻断、一键回滚，管控变更风险；
- 协同流量、基础设施团队落地限流熔断、降级隔离、故障切换预案，打造带审计校验的自动化故障处置能力，防止故障扩散；
- 建设压测、容量评估、故障演练能力，推动复盘整改，通过MTTD/MTTR、变更失败率等指标持续优化稳定性，降低人工成本。
职位要求
- 本科及以上，计算机、软件工程等相关专业优先；
- 扎实后端研发能力，熟练掌握Golang/Java/Python/C++至少一门编程语言，可独立开发稳定性平台与自动化工具；
- 熟悉分布式高可用架构，理解限流熔断、故障隔离、重试超时等容错机制，能分析故障链路、设计恢复方案；
- 在可观测、告警、变更发布、故障自愈、SRE工程任一方向有平台化落地经验；
- 具备线上故障排查、性能分析能力，熟悉灰度、回滚、兼容性方案设计；
- 主动识别稳定性风险，擅长跨团队协作，推动故障处置与持续优化，对线上可用性负责；
- 有云平台、高可用系统、SRE/DevOps 平台研发经验优先；MaaS、大模型推理相关经验加分。
