岗位职责
- 负责 AgentRuntime 全地域（国内 + 海外）的服务可用性保障，承担日常值班、告警响应、故障定位与复盘，推动故障根因治理与长期改善；
- 建设和完善可观测体系：基于 OpenTelemetry / Prometheus / CLS / 智研平台，覆盖沙箱创建、调度、网络、存储等全链路的 Metrics、Tracing、Logging，驱动 SLO/SLI 指标落地；
- 参与容量管理与资源运营：监控多地域沙箱资源池（CPU/内存/存储）水位，推动弹性扩缩容策略优化，降低资源浪费，保障高峰期服务质量；
- 主导变更管控与发布稳定性：建立灰度发布、回滚、预案机制，结合 CI/CD 流水线推进发布过程风险管控；
- 参与平台可靠性设计：针对 CDB 慢查询、沙箱启动延迟、网络隔离策略等关键瓶颈，联合研发推进架构优化和稳定性加固；
- 负责 SRE 工具链与效能建设：开发故障自愈脚本、巡检工具、容量预测模型，沉淀 SRE 知识库，持续降低人工运维成本。
职位要求
- 3 年以上 SRE / 运维开发经验，具备线上大规模分布式系统的稳定性保障实战经验；
- 熟悉 Kubernetes，能独立进行集群、Pod、网络、存储的日常运维与故障排查；有 TKE 或自研 K8s 平台运维经验优先；
- 掌握至少一门编程语言（Go / Python / Shell），能独立开发运维工具和自动化脚本；
- 熟悉 MySQL 运维，具备慢查询分析、索引优化、主从架构、磁盘/连接水位告警处理等实战经验；
- 熟悉可观测体系（Prometheus + Grafana / 链路追踪 / 日志检索），有 SLO 指标体系建设经验；
- 具备良好的故障分析能力，能独立完成从告警触发 → 根因定位 → 修复复盘的完整闭环。
