The posting
1. 负责公司核心在线业务的 SLO 体系建设,覆盖应用与基础设施的告警治理、故障自愈、高可用架构,并推进自动化运维,提升运维效率; 2. 负责 GPU 训练与推理集群的稳定性建设,包括自动化运维、监控告警、故障自愈及高可用能力; 3. 负责资源 ROI / FinOps 体系建设,持续提升 GPU、CPU、存储及网络资源的利用率,降低单位算力成本
1. 3 年以上 SRE 或云原生基础设施研发经验; 2. 计算机基础扎实,熟悉操作系统、计算机网络、数据结构与分布式系统原理; 3. 熟悉 Kubernetes、Prometheus、容器技术及 GPU 训练 / 推理技术栈; 4. 熟悉 Linux 系统原理,有性能调优和故障排查经验; 5. 熟练掌握 Go / Java / Python 中至少一种语言; 6. 有大型分布式系统运维经验,理解高并发、高可用架构设计; 7. 有自动化运维、监控与可观测性体系建设的实践经验; 8. 问题分析和故障定位能力强,能主导复杂线上问题的排查和复盘。



