返回岗位列表

月之暗面

高级 SRE 工程师

查看原岗位
地点：北京 薪资：薪资未公开 日期：2026-07-20

岗位摘要

构建可持续的 On-call 与应急响应体系，重构报警体系，建立分级降噪机制，实现故障的分钟级发现与精准定位；建立标准化的 On-call 手册与应急流程，引入混沌工程主动暴露系统脆弱点，主导故障复盘并推动根因修复

岗位职责

  • 构建可持续的 On-call 与应急响应体系，重构报警体系，建立分级降噪机制，实现故障的分钟级发现与精准定位
  • 建立标准化的 On-call 手册与应急流程，引入混沌工程主动暴露系统脆弱点，主导故障复盘并推动根因修复
  • 设计并落地安全变更框架，包括灰度发布、自动回滚和变更可观测性，降低变更导致故障的概率
  • 建立变更窗口管理、自动化测试卡点与发布流水线优化，确保研发团队快速且安全地迭代
  • 与研发团队共建统一的遥测标准，基于业务场景定义 SLO/SLI，建设符合业务特性的监控仪表盘
  • 治理现有指标债务，消除无效报警，构建从业务指标到基础设施指标的全链路可观测性
  • 开发内部平台或工具，将高频人工操作转化为自助服务，维护基于 Kubernetes 的 PaaS 底座能力
  • 沉淀 SRE 最佳实践文档与工具库，推动可靠性文化在组织内的标准化
  • 参与需求评审与架构设计，从可靠性和可维护性角度提出专业建议，帮助业务团队早期规避技术债务

任职要求

  • 3-5 年以上 SRE、DevOps 或后端工程经验，具备生产环境大规模分布式系统运维背景
  • 精通 Go 或 Python，能独立开发自动化工具、Operator 或内部平台，熟悉 GitOps 实践
  • 深入理解 Kubernetes 生态，包括 Operators、CRD、CNI/CRI，有生产级集群运维与排障经验
  • 熟练使用 Prometheus、Grafana、ELK/Loki、Jaeger/Tempo 等可观测性工具，具备从0到1构建监控体系的经验
  • 精通 Linux 内核、TCP/IP、HTTP、gRPC，具备扎实的网络与系统性能诊断能力
  • 优秀的跨团队沟通能力，既能深入技术细节调试，也能推动流程改进在组织内落地，具备代码即基础设施的自动化思维
  • 加分项：头部 AI 厂商 Code Plan 订阅者，拥有漂亮的终端，有从混乱到秩序的 SRE 建设经验
  • 加分项：熟悉 eBPF、Service Mesh 等云原生前沿技术，具备多云或混合云架构经验

加分项

  • 头部 AI厂商 Code Plan订阅者
  • 有一个漂亮的终端
  • 有从混乱到秩序的 SRE建设经验（如主导过报警治理、发布流程重构、On
  • call 体系搭建）
  • 熟悉 eBPF、Service Mesh （Istio/Linkerd） 等云原生前沿技术
  • 具备多云（AWS/GCP/阿里云）或混合云架构经验
  • 我们能提供什么直接的业务影响力：你的改进将立即作用于核心业务，解决真实且紧迫的痛点
  • 技术深度与广度的平衡：既能深入 Kubernetes、可观测性等技术栈，又能参与架构设计、流程定义等高层次工作
  • 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
  • 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
  • 为什么我们需要你
  • 我们需要一位 Senior SRE 来完成关键的战略转向：将可靠性工作从“事后救火”推进到“事前设计”。你的核心使命是建立三道防线——可预测的发布工程、信号清晰的观测体系、持续进化的应急响应机制。这是一份高自由度、高可见度的角色。你将直接向工程负责人汇报，拥有跨团队推动技术决策的权限。成功意味着你建立的 SRE 实践将成为公司下一阶段增长的 engineering backbone
  • 你将负责什么
  • 构建可持续的 On-call 与应急响应体系
  • 重构现有报警体系，建立分级降噪机制（解决 P0 淹没问题），实现故障的分钟级发现与精准定位
  • 建立标准化的 On-call 手册与应急流程（Runbook），引入 Chaos Engineering 主动暴露系统脆弱点
  • 主导故障复盘（Postmortem），推动根因修复与改进措施落地，确保同类故障不重复发生
  • 发布工程与变更风险管理
  • 针对高频上线场景，设计并落地安全变更框架：灰度发布、自动回滚、变更可观测性，将“变更导致故障”的概率降至最低
  • 建立变更窗口管理、自动化测试卡点与发布流水线优化，让研发能够“快且安全”地迭代
  • 可观测性体系与 Telemetry 共建
  • 与研发团队共建统一的 Telemetry 标准（Metrics/Logs/Traces），基于业务场景定义清晰的 SLO/SLI，建设符合业务特性的监控 Dashboard
  • 治理现有指标债务，消除无效报警，构建从业务指标到基础设施指标的全链路可观测性
  • 工程效率基建
  • 用软件工程手段解决重复运维问题：开发内部平台或工具（如自动化诊断、容量巡检、配置管理），将高频人工操作转化为自助服务
  • 维护基于 Kubernetes 的 PaaS 底座能力，持续优化资源利用率与成本效率
  • 沉淀 SRE 最佳实践文档与工具库，推动可靠性文化在组织内的标准化
  • 参与需求评审与架构设计，从可靠性、可维护性角度提出专业建议，帮助业务团队在早期规避技术债务
  • 我们期待的你
  • 有从混乱到秩序的 SRE建设经验（如主导过报警治理、发布流程重构、On-call 体系搭建）
  • 我们能提供什么
  • 直接的业务影响力：你的改进将立即作用于核心业务，解决真实且紧迫的痛点
  • 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：你的改进将立即作用于核心业务，解决真实且紧迫的痛点
  • 技术深度与广度的平衡：既能深入 Kubernetes、可观测性等技术栈，又能参与架构设计、流程定义等高层次工作
  • 建设而非维护：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
  • 与优秀的工程团队协作：与一群务实、对技术有追求的工程师共事，找到技术共鸣

相关招聘入口

月之暗面招聘工程与基础设施招聘北京AI招聘北京工程与基础设施招聘