SRE / 运维平台研发工程师（AI运维）

岗位职责

稳定性保障：负责核心服务与基础设施的高可用建设，参与稳定性架构设计、容灾方案制定与演练，保障系统长期稳定运行，对服务的 SLI/SLO 负责。

运维平台与工具研发（本岗位核心）：参与运维自动化平台的设计与后端开发，覆盖变更管控、发布系统、监控告警、资源管理、故障自愈等方向，用工具和平台替代重复性运维操作（TOIL）。

可观测性建设：建设并完善指标（Metrics）、日志（Logging）、链路追踪（Tracing）体系，提升故障发现速度与定位效率，推动告警降噪与根因分析能力。

AI 运维能力建设：运用 AI 能力实现故障的自动化发现与解决，覆盖智能告警研判、根因定位、故障自愈、变更风险评估等场景，推动 AI 与监控告警、发布、自愈等现有链路的打通，形成"发现—定位—处置"的自动化闭环。

故障应急与复盘：参与线上故障的应急响应与快速止损，主导故障复盘（Postmortem），沉淀改进项并推动闭环落地，形成系统性的可靠性改进机制。

容量、性能与成本治理：负责容量规划、资源调度与性能优化，通过资源利用率分析、弹性伸缩等手段提升资源效率、降低运维成本。

技术演进与协作：跟踪云原生、AIOps、混沌工程等领域的前沿实践，结合业务场景落地；与研发、产品、安全等团队协同，推动运维标准、流程与规范的建设。

任职要求

本科及以上学历，计算机相关专业，3 年以上互联网研发、系统运维或 SRE 相关工作经验，有大规模分布式系统的运行保障经验。

具备扎实的计算机基础：深入理解 Linux 操作系统（性能调优、故障排查），熟悉 TCP/IP 网络协议、存储与体系结构基础。

具备较强的编码能力，熟练掌握 Go / Python / Java / Shell 中至少一门（Go 或 Python 优先），能独立设计并交付中小型平台或工具，有良好的工程习惯与代码质量意识。

熟悉云原生技术栈：Kubernetes、Docker、Prometheus、Grafana 等，有实际使用和排障经验；理解微服务架构、负载均衡、服务治理的基本原理。

熟悉自动化运维与 CI/CD 相关工具链（如 Ansible、Terraform、GitLab CI / Jenkins、ArgoCD 等），有把运维场景抽象为平台功能的实践。

具备 AI 运维相关实践经验：有运用 AI 实现故障自动发现、根因定位、故障自愈、告警降噪等场景的落地经验，能推动 AI 能力与监控告警、发布、自愈等运维链路打通。

具备优秀的问题定位与分析能力，能快速排查系统故障与性能瓶颈；有强烈的责任心、Ownership 意识与良好的跨团队沟通推动能力。