崗位職責(zé) (Job Description)

1.負(fù)責(zé)基于阿里云（ECS、OSS、SLB、VPC、Kubernetes/ACK、RDS、Redis、MQ等）架構(gòu)的核心應(yīng)用及服務(wù)的部署、監(jiān)控、維護、容量規(guī)劃與優(yōu)化，保障線上系統(tǒng)（特別是10萬級用戶規(guī)模以上）的7x24穩(wěn)定運行。

2.負(fù)責(zé)公司大規(guī)模AI算力平臺（如集群、分布式訓(xùn)練/推理平臺）的部署，運維、監(jiān)控、故障處理與性能優(yōu)化，確保其高可用性、穩(wěn)定性和資源利用效率。



3.智能化運維系統(tǒng)開發(fā)：使用 Java 或其他主流編程語言（如Python、Go等），設(shè)計、開發(fā)和維護自動化運維平臺、工具及系統(tǒng)，涵蓋部署發(fā)布、配置管理、監(jiān)控告警、日志分析、故障自愈、資源調(diào)度等領(lǐng)域。


4. 運維自動化與效率提升：
主導(dǎo)或參與構(gòu)建完善的CI/CD流水線，提升應(yīng)用交付效率和質(zhì)量。
推動基礎(chǔ)設(shè)施即代碼（IaC）實踐，實現(xiàn)云資源的自動化管理與編排（如使用Terraform, ROS）。
開發(fā)或整合智能運維（AIOps）工具/組件，運用大數(shù)據(jù)、機器學(xué)習(xí)技術(shù)提升監(jiān)控、告警、根因分析、容量預(yù)測等場景的智能化水平。

5.性能調(diào)優(yōu)與容量管理：
持續(xù)監(jiān)控并分析系統(tǒng)資源使用情況（CPU、內(nèi)存、磁盤I/O、網(wǎng)絡(luò)、GPU資源），針對大規(guī)模用戶訪問壓力進行性能瓶頸定位與調(diào)優(yōu)。
主導(dǎo)系統(tǒng)容量規(guī)劃、預(yù)測與擴容方案制定，確保業(yè)務(wù)可持續(xù)增長。



6. 故障響應(yīng)與高可用架構(gòu)：
快速響應(yīng)并處理生產(chǎn)環(huán)境中的各類故障和告警，建立預(yù)案并實施改進，降低MTTR（平均恢復(fù)時間）。
參與設(shè)計、評審及實施保障系統(tǒng)高可用性（SLA）的架構(gòu)方案（如集群化、負(fù)載均衡、異地容災(zāi)）。

7. 文檔與規(guī)范：
編寫和維護運維手冊、系統(tǒng)架構(gòu)文檔、運維開發(fā)文檔等。制定并推廣運維流程規(guī)范、*佳實踐與安全策略。


任職要求 (Qualifications)

計算機相關(guān)專業(yè)專科科及以上學(xué)歷。
5年以上互聯(lián)網(wǎng)或IT行業(yè)系統(tǒng)運維/DevOps/運維開發(fā)相關(guān)工作經(jīng)驗。
擁有主導(dǎo)或深度參與支撐至少10萬級日活躍用戶（或等效高并發(fā)、大數(shù)據(jù)量系統(tǒng)）的生產(chǎn)環(huán)境運維與優(yōu)化經(jīng)驗。 對高并發(fā)、高性能、分布式系統(tǒng)的挑戰(zhàn)和解決方案有深刻理解。
精通 Java，并具有使用其開發(fā)后臺系統(tǒng)或運維工具的實際經(jīng)驗。
熟練掌握至少一種腳本語言（如Shell, Python）