高级 SRE 工程师 Senior Site Reliability Engineer

为什么我们需要你 我们需要一位 Senior SRE 来完成关键的战略转向：将可靠性工作从“事后救火”推进到“事前设计”。你的核心使命是建立三道防线——可预测的发布工程、信号清晰的观测体系、持续进化的应急响应机制。这是一份高自由度、高可见度的角色。你将直接向工程负责人汇报，拥有跨团队推动技术决策的权限。成功意味着你建立的 SRE 实践将成为公司下一阶段增长的 engineering backbone。 你将负责什么 1. 构建可持续的 On-call 与应急响应体系 重构现有报警体系，建立分级降噪机制（解决 P0 淹没问题），实现故障的分钟级发现与精准定位。 建立标准化的 On-call 手册与应急流程（Runbook），引入 Chaos Engineering 主动暴露系统脆弱点。 主导故障复盘（Postmortem），推动根因修复与改进措施落地，确保同类故障不重复发生。 2. 发布工程与变更风险管理 针对高频上线场景，设计并落地安全变更框架：灰度发布、自动回滚、变更可观测性，将“变更导致故障”的概率降至最低。 建立变更窗口管理、自动化测试卡点与发布流水线优化，让研发能够“快且安全”地迭代。 3. 可观测性体系与 Telemetry 共建 与研发团队共建统一的 Telemetry 标准（Metrics/Logs/Traces），基于业务场景定义清晰的 SLO/SLI，建设符合业务特性的监控 Dashboard。 治理现有指标债务，消除无效报警，构建从业务指标到基础设施指标的全链路可观测性。 4. 工程效率基建 用软件工程手段解决重复运维问题：开发内部平台或工具（如自动化诊断、容量巡检、配置管理），将高频人工操作转化为自助服务。 维护基于 Kubernetes 的 PaaS 底座能力，持续优化资源利用率与成本效率。 沉淀 SRE 最佳实践文档与工具库，推动可靠性文化在组织内的标准化。 参与需求评审与架构设计，从可靠性、可维护性角度提出专业建议，帮助业务团队在早期规避技术债务。 我们期待的你 1. 基础要求 3-5 年以上 SRE、DevOps 或 Backend Engineering 经验，有生产环境大规模分布式系统运维背景。 扎实的工程能力：精通 Go 或 Python，能独立开发自动化工具、Operator 或内部平台；熟悉 GitOps 实践。 -云原生深度实践者：深入理解 Kubernetes 生态（Operators、CRD、CNI/CRI），有生产级集群运维与排障经验。 可观测性专家：熟练使用 Prometheus、Grafana、ELK/Loki、Jaeger/Tempo 等工具，具备从0到1构建监控体系的经验。 系统功底：精通 Linux 内核、TCP/IP、HTTP、gRPC，具备扎实的网络与系统性能诊断能力。 软技能：优秀的跨团队沟通能力，既能深入技术细节 Debug，也能推动流程改进在组织内落地；具备“代码即基础设施"的自动化思维。 2. 加分项 头部 AI厂商 Code Plan订阅者。 有一个漂亮的终端。 有从混乱到秩序的 SRE建设经验（如主导过报警治理、发布流程重构、On-call 体系搭建）。 熟悉 eBPF、Service Mesh （Istio/Linkerd） 等云原生前沿技术。 具备多云（AWS/GCP/阿里云）或混合云架构经验。 我们能提供什么 直接的业务影响力：你的改进将立即作用于核心业务，解决真实且紧迫的痛点。 技术深度与广度的平衡：既能深入 Kubernetes、可观测性等技术栈，又能参与架构设计、流程定义等高层次工作。 建设而非维护：我们处于快速成长期，你需要建立标准而非遵守过时的标准，有充足的发挥空间和资源支持。 与优秀的工程团队协作：我们是一群务实、对技术有追求的工程师，相信你能在这里找到技术共鸣。