滴滴测试开发专家工程师(稳定性方向)(JR2026010700S)
任职要求
1. 经验背景： 5年以上互联网大厂测试开发、SRE 或 技术风险管理经验。有大型分布式系统、高并发业务（如电商大促、支付交易）的稳定性保障经验者优先。
2. 技术栈： 深入理解 Java/Go 等主流后…工作职责
1. 稳定性体系规划与落地（质量侧）： 负责业务线整体生产安全与稳定性保障体系的建设。作为质量侧代表，与 SRE、业务研发团队紧密协同，制定并落地高可用架构标准。 从业务视角出发，定义稳定性衡量标准（SLA/SLO），并推动技术团队达成稳定性指标（如降低故障率、缩短 MTTR）。 2. 红蓝对抗与全链路演练(质量侧)： 主导或参与常态化的红蓝对抗演练。负责设计高复杂度的业务故障场景（蓝军视角/导演视角），验证系统的容灾能力和团队的应急响应能力。 协同 SRE 建设故障注入平台，推动“以演代战”，确保应急预案的有效性和自动化执行率。 3. 变更风险管控： 建立严格的变更管控机制（发布红线、灰度策略、回滚机制）。 建设“变更防御”能力，利用自动化手段拦截高风险代码和配置进入生产环境，治理因变更导致的稳定性问题。 4. 线上巡检与业务核对（BCP）： 建设分钟级的业务一致性核对系统，确保在系统未报错但业务逻辑异常（如资金损失、数据不一致）时能快速发现。 补齐监控盲区：不仅关注系统监控（CPU/内存等），更要补齐业务监控盲区。
Android Framework测试开发专家（WMS/AMS/显示方向） 岗位核心目标： 负责Android Framework层核心服务（WMS, AMS, 显示系统）及新特性的质量保障、测试方案设计、自动化实施与深度问题分析，确保系统交互与视觉体验的流畅性、稳定性与一致性。 1.主导或深度参与Android Framework层，特别是窗口管理服务、活动管理服务、显示系统、动画与图形栈等核心模块的系统级测试方案设计与实施。 2.深入理解WMS/AMS/Display的架构、工作原理与跨进程/跨层级交互机制，能进行源码级（Java/Native）的问题分析与定位。 3.设计并开发高可靠性、高覆盖率的自动化测试框架、工具及用例，用于验证多窗口、任务栈、生命周期、显示方向、分辨率、刷新率、HDR等复杂场景。 4.与系统开发团队紧密协作，参与设计方案评审，针对性能、功耗、稳定性和兼容性风险提供前瞻性测试建议。 5.攻关解决线上/线下出现的复杂、深层次的Framework层问题，沉淀技术解决方案与测试资产。
Android BSP/系统底层测试开发专家（内存/调度/电源方向） 岗位名称： Android BSP/底层系统测试开发专家 / 系统性能与功耗测开工程师 岗位核心目标： 负责Android系统底层（BSP及内核）在内存管理、CPU调度、电源管理、热管理等核心机制上的性能、功耗与稳定性测试验证，从系统层面保障产品的流畅度、续航与可靠性。 1.负责Android设备内存、调度、电源、热管理等系统底层特性的测试策略制定、自动化实施与深度分析。 2.深入理解Linux内核相关子系统（如Memory, CPUFreq/CPUHotplug, PM, Thermal）及Android HAL层工作原理，能与驱动、内核开发团队协同定位底层问题。 3.开发系统级性能、功耗、压力测试工具与监控平台，进行数据采集、分析与瓶颈定位。 4.主导关键性能与功耗场景（如应用启动、多任务切换、游戏、待机）的测试与优化验证，输出量化评估报告。 5.研究业界先进测试方法，构建并持续优化底层系统特性的自动化测试与持续集成体系，掌握一种以上测试代码编译、自动化执行的测试框架
1、负责国际化视频架构方向业务测试、自动化测试、性能测试、系统级测试，保证业务稳定性、保障核心链路高可用； 2、为国际化短视频业务提供多终端（Web/移动客户端/PC客户端）、直播、点播音视频等系统级测试解决方案； 3、能针对现有的视频架构质量保障流程进行测试效率分析，制定测试提效方案，保障项目的高质量交付； 4、根据质量评估结果，协助开发工程师定位、分析和解决测试过程中的复杂技术问题与业务问题。
一、职位描述 我们是一个专注于AI Coding方向的充满活力和创业精神的创新业务团队，致力于通过智能化代码生成和开发工具重新定义软件开发体验。随着AI Agent技术的快速发展，我们正在寻找优秀的AI Agent研发工程师加入团队，共同构建下一代智能编程助手和自主代码开发系统，一起在AI驱动的编程革命中创造历史！ 二、岗位职责 ● AI产品质量保障体系构建：主导AI Coding产品（含Agent、模型服务等）的全生命周期质量保障，制定测试策略、设计测试方案与质量标准，推动研发流程优化； ● 效能提升与自动化：通过持续集成（CI/CD）、自动化测试平台及线上质量监控体系，提升团队测试效率与问题拦截能力； ● 复杂项目质量管控：主导中大型AI项目的质量保障，包括测试策略制定、流程优化、风险预警及质量复盘，确保关键节点交付质量； ● 技术驱动与协作：推动测试技术创新（如AI场景专项测试、自动化工具链），协同研发团队提升代码质量与交付效率。