小红书AI平台SRE研发工程师
任职要求
任职要求： 计算机相关专业本科及以上学历，3年以上云平台或大规模分布式系统运维经验 扎实的Linux系统基础，熟悉常见问题诊断和性能优化方法 了解AI训练和推理的基础架构，熟悉GPU资源管理优先 精通Docker、Kubernetes等容器技术，有大规模集群运维经验 熟悉主流监控系统（如Prometheus、Grafana）和日志系统（如ELK…
工作职责
负责AI平台基础设施的可靠性设计、监控告警、容量规划和性能优化 设计并实施平台的高可用性方案，制定灾备预案和故障响应机制 建立和完善AI平台的可观测性体系，包括日志、metrics、链路追踪等 负责自动化运维工具开发，提升平台运维效率和服务质量 分析和解决系统性能瓶颈，优化资源利用率 参与重大故障定位分析，制定改进方案并跟进落地 持续优化SLO指标，确保平台的稳定性和可靠性
1、承担AI私有化产品数据库及中间件的运维支持、性能优化、监控与故障诊断等任务； 2、负责AI私有化产品的容量规划、自动化部署、容灾演练，以及故障处理所需工具和系统的开发； 3、推进AI私有化产品的持续集成与交付，实现高效且自动化的运维优化，增强服务的稳定性并提升研发效率。
泰山平台是支撑云原生团队稳定和质量的技术风险平台，目前已经支持数十个地域、数千个集群、百万规模的规模容器运维。在智能测试、智能运维的领域有前沿探索，和多所国内知名学校有长期的项目合作，主导混沌工程领域的开源建设。 1、基于AI技术升级技术风险平台产品，包括不限于自动化测试生成、规模化容器运维、多模态告警降噪、容器根因诊断、韧性工程等领域，深度参与或主导AI框架与工程架构设计，并推动AI产品落地； 2、探索大模型与智能体技术在技术风险领域的创新应用，推动AI驱动的自动化技术风险能力升级，大幅提升测试、观测、应急等效能； 3、不断研究大模型新的前沿技术，攻克关键技术难题，促进安全AI技术发展； 4、结合AI行业发展趋势，制定合适的技术发展规划，提升团队技术视野和技术影响力。
泰山平台是支撑云原生团队稳定和质量的技术风险平台，目前已经支持数十个地域、数千个集群、百万规模的规模容器运维。在智能测试、智能运维的领域有前沿探索，和多所国内知名学校有长期的项目合作，主导混沌工程领域的开源建设。 1、基于AI技术升级技术风险平台产品，包括不限于自动化测试生成、规模化容器运维、多模态告警降噪、容器根因诊断、韧性工程等领域，深度参与或主导AI框架与工程架构设计，并推动AI产品落地。 2、探索大模型与智能体技术在技术风险领域的创新应用，推动AI驱动的自动化技术风险能力升级，大幅提升测试、观测、应急等效能。 3、不断研究大模型最新前沿技术，攻克关键技术难题，促进安全AI技术发展。 4、结合AI行业发展趋势，制定合适的技术发展规划，提升团队技术视野和技术影响力。
泰山平台是支撑云原生团队稳定和质量的技术风险平台，目前已经支持数十个地域、数千个集群、百万规模的规模容器运维。在智能测试、智能运维的领域有前沿探索，和多所国内知名学校有长期的项目合作，主导混沌工程领域的开源建设。 1、基于AI技术升级技术风险平台产品，包括不限于自动化测试生成、规模化容器运维、多模态告警降噪、容器根因诊断、韧性工程等领域，深度参与或主导AI框架与工程架构设计，并推动AI产品落地； 2、探索大模型与智能体技术在技术风险领域的创新应用，推动AI驱动的自动化技术风险能力升级，大幅提升测试、观测、应急等效能； 3、不断研究大模型的新的前沿技术，攻克关键技术难题，促进安全AI技术发展； 4、结合AI行业发展趋势，制定合适的技术发展规划，提升团队技术视野和技术影响力。