岗位职责
- 保障云原生平台可靠性：负责 TKE 相关集群及核心组件的稳定性建设，完善 SLI/SLO、可观测性、容量评估与风险巡检体系，持续降低故障发生率与恢复时长；
- 攻坚复杂生产问题：深入 Kubernetes 控制面、调度、容器运行时、网络、存储等关键链路，开展疑难问题定位、源码分析与性能优化，推动问题从应急恢复到根因修复闭环；
- 推进容灾与变更治理：建设可用区级故障防护、备份恢复、容灾演练和安全变更能力，完善灰度、回滚、限流与熔断机制，降低故障影响范围；
- 研发自动化运维能力：设计并开发集群生命周期管理、巡检、自愈、变更与诊断工具，推动运维流程标准化、平台化，减少重复性人工操作；
- 探索 AI 辅助运维：结合告警、工单、日志与知识库建设辅助诊断能力，推动 Agent 在信息检索、分析与处置建议中的应用，并建立效果评估、权限控制和人工确认机制；
- 推动跨团队问题闭环：协同研发、产品及技术支持团队，参与轮值、故障响应与复盘，将客户问题和共性故障转化为产品改进、治理专项及可复用知识。
职位要求
- 具备 Linux、计算机网络与分布式系统基础，能够系统分析 CPU、内存、I/O、网络及进程相关问题；
- 熟悉 Kubernetes 架构与核心工作机制，具有生产环境集群运维、平台研发或故障排查经验；在控制面、调度、网络、存储、容器运行时中至少一个方向有深入实践；
- 熟练掌握 Go、Python 等至少一种编程语言，具备代码阅读、调试与工程交付能力，能够独立开发可维护的运维工具或服务；
- 理解高可用、故障隔离、容量管理和可观测性，能够结合指标、日志与链路信息提出假设、验证根因，并形成可落地的改进方案；
- 具备生产环境风险意识，关注变更验证、回滚预案与数据安全；能在故障处理中清晰沟通、协作推进并跟踪闭环；
- 对云原生技术和工程效率有持续学习意愿，愿意从具体问题出发沉淀工具、方法与知识，而非停留在重复处理表面现象。
