职位描述
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，降低单位算力成本任职要求
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。
