云原生高级SRE工程师（深圳/北京）

职位描述

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

任职要求

三年以上工作经验