AI SRE工程师(J20622)

岗位职责
1. 建立 AI 平台、训练任务和模型服务的可靠性指标（SLI）与目标（SLO），建设监控、日志、链路追踪和告警体系，持续跟踪服务可用性、运行质量及稳定性风险。
2. 开展容量分析和负载测试，分析 GPU 资源水位、训练任务运行状态、推理服务吞吐及响应时延，识别容量与性能风险，推动容量预留、弹性扩缩容及过载保护方案落地。
3. 负责生产故障响应、影响评估、止损与恢复协调，联合平台、训推框架及 GPU 基础设施工程师完成问题定位和修复，组织故障复盘并推动长期改进。
4. 完善发布检查、变更验证、回滚和恢复方案，开发故障诊断、自动恢复及可靠性验证工具，降低系统变更与生产运行风险。
5. 推进监控告警、巡检、故障处理和日常维护自动化，维护运行手册与应急预案，减少重复故障和人工处理投入，提高系统整体可靠性。

岗位要求
1. 计算机或相关专业本科及以上学历。
2. 熟悉 Linux、网络、容器与 Kubernetes，能够结合日志、监控指标和系统运行状态排查跨组件、跨系统问题。
3. 熟练使用 Python 或 Go 开发自动化工具，具备将重复维护、故障诊断或恢复流程实现为代码的实践经验。
4. 熟悉 Prometheus、Grafana、OpenTelemetry 或同类可观测性工具，能够设计服务指标、可靠性目标及有效告警。
5. 具备容量测试、生产故障处置、变更回滚和故障恢复实践，理解 GPU 任务、分布式训练或模型推理服务的基本运行特点。
6. 有 GPU 集群、机器学习平台或模型服务 SRE 经验，或有性能诊断、故障注入、自动恢复及可靠性测试工具开发经验者优先。