Kimi 资深业务SRE工程师
岗位摘要
定义Kimi业务的稳定性标准，与研发团队共建SLO/SLI体系，在可用性、延迟与迭代速度之间取得平衡，让可靠性目标与业务影响直接挂钩；建立信号清晰的分级告警体系，实现故障的分钟级发现与精准定位，降低噪音干扰
岗位职责
- 定义Kimi业务的稳定性标准，与研发团队共建SLO/SLI体系，在可用性、延迟与迭代速度之间取得平衡，让可靠性目标与业务影响直接挂钩
- 建立信号清晰的分级告警体系，实现故障的分钟级发现与精准定位，降低噪音干扰
- 主导故障响应与复盘流程，推动系统性改进，确保同类问题不重复发生
- 为高频模型发布与产品迭代设计安全变更框架，涵盖灰度、金丝雀发布、自动回滚及变更可观测性
- 护航关键发布，负责发布前readiness评估、发布中值守及发布后复盘
- 将发布runbook沉淀为工具与流水线，把手工核验转化为持续自动校验
- 与研发共建统一Telemetry标准（Metrics/Logs/Traces），构建从业务指标到基础设施的全链路可观测性
- 通过自动化诊断、容量与性能管理、混沌工程等手段消除重复性人工操作，持续优化资源利用率与成本效率
- 利用AI Agent重做可靠性工作，包括告警分析、事故总结、自动巡检，探索AI时代SRE的工作方式
- 参与需求与架构评审，将可靠性前置到设计阶段，帮助业务团队早期规避技术债
任职要求
- 具备架构能力与意识，能清晰定义业务架构全貌，能对跨团队技术方向形成判断并推动对齐
- 系统功底扎实，精通Linux操作系统、网络与存储，具备深度诊断与优化能力
- 精通Cloud Native架构，具备Kubernetes、Grafana、Loki、Helm、ArgoCD等生产环境实践经验
- 具备AI-native工作方式，对AI Agent有独到理解，能用AI工具重做运维流程、提升工程效率
- 具备扎实的开发能力，精通Go语言，有DevOps平台或系统开发经验，能用代码实现自动化
- 具备大规模在线业务生产可靠性实战经验，包括on-call、故障响应与复盘驱动的持续改进
- 对业务充满热情，对细节一丝不苟，具备强烈的owner意识和推动问题解决的意愿
- 熟悉国内外主流云厂商的资源配置与使用
- 【加分项】具备大模型serving/推理链路运维经验，理解AI产品的可靠性特性
- 【加分项】主导过SRE体系从零到一的建设，包括报警治理、发布流程重构、On-call体系搭建
- 【加分项】为可观测性或基础设施开源项目做过贡献，熟悉Chaos Engineering、eBPF、Service Mesh等前沿技术
加分项
- 有大模型 serving / 推理链路运维经验，理解 AI 产品的可靠性特性
- 主导过从混乱到秩序的 SRE 建设：报警治理、发布流程重构、On-call 体系搭建
- 可观测性或基础设施开源项目贡献者；熟悉 Chaos Engineering、eBPF、Service Mesh 等前沿技术
- 我们能提供什么
- 直接的业务影响力：千万级用户的产品与高频模型发布，你的改进立即作用于核心业务，解决真实且紧迫的痛点
- 前沿的真实战场：参与快速变化的 AI 架构与产品演进路线，你遇到的可靠性问题大多是新问题
- 建设而非维护：我们处于快速成长期，你需要建立标准而非遵守过时的标准，有充足的发挥空间和资源支持
- AI-native 的实践场：把 AI Agent 用进可靠性工程，把你的 SRE Agent 产品化，这是一次全新的尝试
- 与优秀的工程团队协作：我们是一群务实、对技术有追求的工程师，相信你能在这里找到技术共鸣
- 允许6个月内投递3个职位，请选择适合的职位进行投递
福利待遇
- 直接的业务影响力：你的改进立即作用于千万级用户的核心业务，解决真实且紧迫的痛点
- 前沿的真实战场：深度参与快速变化的AI架构与产品演进，持续面对全新的可靠性挑战
- 建设而非维护：处于快速成长期，有充足的发挥空间和资源支持，由你来建立行业标准
- AI-native实践场：将AI Agent融入可靠性工程，探索并产品化SRE Agent，开创全新工作模式
- 与优秀工程团队协作：团队务实且对技术有追求，能在此找到技术共鸣与成长空间