AI平台运维工程师
岗位摘要
面向高并发、大规模业务的Kubernetes集群或高性能分布式存储等平台基础设施提供专业的稳定性保障和全方位优化，支撑核心业务SLA达到99.99%+；负责持续完善和优化可观测体系，深入参与业务和平台层的监控建设、告警治理与排障工作，缩短MTTR
岗位职责
- 面向高并发、大规模业务的Kubernetes集群或高性能分布式存储等平台基础设施提供专业的稳定性保障和全方位优化，支撑核心业务SLA达到99.99%+
- 负责持续完善和优化可观测体系，深入参与业务和平台层的监控建设、告警治理与排障工作，缩短MTTR
- 负责Kubernetes集群或高性能分布式存储等内部工具链的开发与运维自动化建设，持续提升人效与交付效率
- 推动混沌工程、容灾演练、多集群容灾多活等可靠性工程落地，持续验证和提升系统韧性
- 主导公司运维平台（CMDB、运维作业、可观测等）的架构设计和开发
- 对接第三方开放平台、监控系统、仓管系统、采购系统等
- 和运维团队、采购团队、研发团队深度协作，不断完善运维开发需求
任职要求
- 本科及以上学历，扎实的Linux、操作系统、网络基础
- 具备良好的Bash/Python/Golang等开发能力
- 熟悉Kubernetes集群或熟悉分布式系统基础原理
- 熟悉Prometheus、Grafana、Signoz等各类监控和可观测性工具
- 具备较好的灵活性、学习迁移能力和对新技术的追求精神，能够从0-1快速学习掌握新技术并解决未遇到的问题
- 了解LLM训练/推理工作流，参与过相关故障和性能问题排查者优先
- 有大规模(5000+节点)集群运维经历或200+节点分布式系统运维经历者优先
- 熟悉容器内使用GPU/RDMA的配置方式、工作原理及相关问题诊断者优先
- 熟悉业务应用管理和监控，有业务稳定性治理经验者优先
- 较好的Python/Golang等开发能力，扎实的工程能力
- 对运维体系有较全面的认知，深入理解运维流程
- 熟悉CMDB、工单系统等运维平台
- 3年以上一线运维经历，深知运维痛点者优先
- 熟悉SRE体系者优先
- 有成熟运维平台开发经历者优先
加分项
- 熟悉容器内使用GPU/RMDA的配置方式、工作原理及相关问题诊断
- 熟悉业务应用管理和监控，有业务稳定性治理经验
- 有大规模(5000+ 节点)集群运维经历或200+节点分布式系统运维经历
- 了解LLM训练/推理工作流，参与过相关故障和性能问题排查
- 运维开发方向
- 3年以上一线运维经历，深知运维痛点
- 熟悉SRE体系
- 成熟运维平台开发经历
- 丁先生 刚刚活跃
工作地址
杭州拱墅区汇金国际A座