岗位描述
岗位描述：负责定义 Kimi 业务稳定性标准，明确“稳定”的目标、衡量方式和落地方法；与研发团队共建 SLO/SLI 体系，在可用性、延迟与迭代速度之间取得平衡，让可靠性目标与业务影响直接挂钩。建立分级、降噪、信号清晰的告警体系，实现故障分钟级发现与精准定位；主导故障响应、快速恢复、彻底复盘和系统性改进，推动同类问题不再重复发生。为高频模型发布与产品迭代设计安全变更框架，包括灰度、金丝雀、自动回滚、变更可观测性等机制，降低变更引发故障的概率；参与关键发布的准备、值守与复盘，并将发布 runbook 沉淀为工具和流水线，持续缩短人工核验流程。与研发共建统一 Telemetry 标准，构建从业务指标到基础设施指标的全链路可观测性；通过自动化诊断、容量与性能管理、混沌工程、合成测试等手段消除重复劳动，优化资源利用率和成本效率。利用 AI Agent 重构可靠性工作，包括告警分析、事故总结、自动巡检等；参与需求与架构评审，将可靠性前置到设计阶段，并把公司统一基础设施能力转化为业务指标。 岗位要求：具备较强架构能力和意识，能清晰定义和描述业务架构，理解系统全貌与模块边界，并能推动跨团队技术方向对齐。系统基础扎实，精通 Linux 操作系统、网络、存储，具备深度诊断与优化能力。精通 Cloud Native 架构，具备 Kubernetes、Grafana、Loki、Helm、ArgoCD 等生态在生产环境中的实践经验。具备 AI Native 工作方式，对 AI Agent 有深入理解，并已用 AI 工具重构运维流程、提升工程效率。具备扎实开发能力，精通 Go 语言，必须做过 DevOps 平台或系统，能通过代码实现自动化。拥有大规模在线业务生产可靠性实战经验，背景可来自 SRE、Production Engineer 或后端工程，包括 on-call、故障响应与复盘驱动改进。熟悉海内外主流云厂商资源配置与使用，对业务有热情、注重细节、具备强烈 owner 意识和推动问题解决的能力。加分项包括：有大模型 serving 或推理链路运维经验，理解 AI 产品可靠性特性；主导过报警治理、发布流程重构、On-call 体系搭建等 SRE 建设；是可观测性或基础设施开源项目贡献者；熟悉 Chaos Engineering、eBPF、Service Mesh 等前沿技术。