The posting
岗位职责 1. 整体技术架构与演进: 负责可观测与稳定性方向的整体架构设计,统筹指标、日志、链路追踪的数据链路、存储体系、统一数据模型及跨支柱关联分析能力,明确平台边界、技术选型与演进路径,保障架构的可扩展性、稳定性和成本可控。 2. 可观测产品规划与建设: 结合业务需求、现有技术能力及用户反馈,规划告警、大盘、故障时间线、SLO 分析、故障诊断等核心能力的建设路线;推动底层技术能力转化为可复用、可配置、可运营的平台产品,持续提升业务接入效率和使用价值。 3. SRE 体系与稳定性工程建设: 推动 SRE 理念在公司落地,将 SLI / SLO、错误预算、OnCall 责任模型、事件分级与升级、故障复盘及改进闭环转化为可执行的流程、平台功能和管理机制,推动业务研发建立可衡量、可持续改进的稳定性保障体系。 4. AI-Agent 与智能运维能力建设: 负责可观测与稳定性领域的 AI 应用规划和技术落地,围绕智能告警分析、故障关联与根因定位、诊断建议、处置辅助、知识检索和复盘整理等场景,评估技术可行性与业务收益,推动方案从场景验证走向生产应用;建立工具调用、执行权限、人工审核和结果评估机制,保障 AI 应用的可靠性与安全性。
任职要求 必备 1. 8 年以上可观测平台、监控系统或稳定性工程相关经验,具备 2 年以上技术方向规划,主导过可观测平台的整体架构设计或重大演进,并对技术方案落地和生产运行结果负责。 2. 深入理解指标、日志、链路追踪三大支柱,至少两个方向具备深度生产实践,能够从采集、传输、存储、查询、数据关联到上层应用进行整体设计,而非仅负责单一组件或平台模块。熟悉 Prometheus / VictoriaMetrics、ELK / ClickHouse、SkyWalking / Jaeger / OpenTelemetry 等相关技术体系。 3. 理解并具备 SRE 工程实践经验,能够将 SLI / SLO、错误预算、OnCall、事件分级与升级、RCA 和故障复盘等机制落地为平台能力与协作流程,并推动业务团队持续执行和改进。 4. 具备产品意识,能够识别用户痛点、梳理能力边界、制定演进路线和实施优先级,并通过实际使用效果验证建设价值,能够在业务需求、技术复杂度、研发投入和长期维护成本之间做出合理取舍。 5. 对 AI-Agent 在可观测和稳定性场景的应用有明确判断,了解模型、RAG、工具调用、Agent 编排等相关技术,具备至少一个实际应用场景的落地经验,能够评估准确性、可用性、执行风险与投入产出,并设计合理的人机协同机制。 加分 - 有游戏开服、重大版本发布、大促或高并发业务场景的稳定性保障经验。 - 有 AIOps、告警降噪、告警关联、异常检测、根因分析等能力的生产落地经验。 - 有基于 LLM 的 RAG、Agent 编排、MCP / 工具调用及受控自动化处置的工程实践。 - 有大型可观测平台从 0 到 1 建设,或存量平台架构重构、规模化治理经验。 - 有跨业务团队推动 SLO 标准、稳定性规范及故障管理机制落地的经验。



