← All jobs
Beijing, China·full-time·Internet / Electronics / Games

Responsibilities

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

Requirements

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。

Posted 2026-11-03 · Source: json-ld