云原生高级SRE工程师（深圳/北京）

关于这个机会

1.稳定性建设：负责 TKE 集群与核心组件的可靠性，完善 SLI/SLO、可观测性、容量评估与风险巡检，持续降低故障率与恢复时长； 2.源码级攻坚：深入控制面、etcd、调度、容器运行时、CNI/CSI、内核与 eBPF 等链路，完成疑难问题定位、源码分析与性能优化，推动从应急恢复到根因修复的闭环； 3.AI 原生平台工程化：建设 Ray（KubeRay）、Argo Workflows 及 LWS/JobSet/Kueue/Volcano 等 AI 编排组件的托管能力；负责 GPU/异构算力调度（Device Plugin、DRA、拓扑感知、Gang Scheduling）、RDMA 网络、推理引擎（vLLM 等）与 Agent 沙箱的稳定性、弹性与自愈； 4.容灾与变更治理：建设可用区级故障防护、备份恢复与容灾演练，完善灰度、回滚、限流与熔断机制； 5.自动化与 AI 辅助运维：研发集群生命周期管理、巡检、自愈、变更与诊断工具；结合告警、工单、日志与知识库建设诊断 Agent，建立效果评估、权限控制与人工确认机制； 6.跨团队闭环：参与轮值与故障复盘，把客户问题和共性故障转化为产品改进、治理专项与可复用知识。

任职要求

1.具备 Linux、计算机网络与分布式系统基础，能够系统分析 CPU、内存、I/O、网络及进程相关问题； 2.熟悉 Kubernetes 架构与核心工作机制，具有生产环境集群运维、平台研发或故障排查经验；在控制面、调度、网络、存储、容器运行时中至少一个方向有深入实践； 3.熟练掌握 Go、Python 等至少一种编程语言，具备代码阅读、调试与工程交付能力，能够独立开发可维护的运维工具或服务； 4.理解高可用、故障隔离、容量管理和可观测性，能够结合指标、日志与链路信息提出假设、验证根因，并形成可落地的改进方案； 5.具备生产环境风险意识，关注变更验证、回滚预案与数据安全；能在故障处理中清晰沟通、协作推进并跟踪闭环； 6.对云原生技术和工程效率有持续学习意愿，愿意从具体问题出发沉淀工具、方法与知识，而非停留在重复处理表面现象。

内推申请说明

本站为独立内推协助平台。申请会交由管理员核实岗位与内推渠道，不等于已在公司官网投递；薪资、岗位状态和实际招聘流程以官方信息为准。