长鑫存储AI智能运维专家-AI Operations Expert(J19088)
任职要求
1. 教育背景与专业知识：本科及以上相关专业； 2. 行业与专业经验：5年以上IT服务或AIOps相关经验，3年以上AI项目全链路落地经验；有大型企业AI转型、AIOps搭建或智能客服落地经验，有从0到1搭建AI服务体系案例者加分； 3. 专业技能与资格：精通LLM应用，熟悉Transformer架构，具备Agent、RAG、Prompt、Workflow工程等实战经验，能独立落地AI交互场景；熟练掌握Openclaw、Claude Code，能运用LangChain、LangGraph，具备MCP经验，了解多模态技术应用；熟练掌握React，具备后端基础，熟悉数据采集与治理，有MLOps经验者加分；…
工作职责
1. AI场景全链路落地：主导IT服务AI场景规划与落地，结合业务痛点设计解决方案，全程负责从需求到复盘的全流程，确保方案可落地、可迭代； 2. AIOps体系搭建：推动AIOps落地，整合多源运维数据，运用LLM、Transformer、AI Agent等技术实现智能运维，提升效率、降低成本； 3. IT服务门户与智能客服：负责智能服务门户开发，整合多模态交互；主导智能客服部署，实现智能咨询、流程引导等功能，优化用户体验； 4. 技术栈落地与优化：主导Openclaw、Claude Code等热门技术栈选型与落地，结合React搭建服务界面，兼顾稳定性与可扩展性； 5. 团队协同与能力建设：跨部门协同推进项目，解决核心技术难题，沉淀经验、输出规范，提升团队技术能力；关注行业前沿技术，结合企业需求引入创新方案，提升IT服务智能化水平。
1. 负责面向高持久性、高可用、高性能的云上块存储服务 EBS 的先进支撑底座系统的设计与开发，支撑千万级云盘实例、日均百万亿级别 I/O 请求的分布式存储系统，持续增强其可观测性、可诊断性与可运维性； 2. 构建面向高性能分布式存储的智能可观测体系，在传统监控与诊断基础上融合 AI 异常检测与诊断能力，实现故障的早期预警与精准定界； 3. 建设故障快速恢复与预防体系，通过平台工程策略与 AI 智能决策，实现故障的分钟级恢复乃至主动预防，持续降低系统 MTTR； 4. 设计覆盖全链路的稳定性技术体系，制定面向高持久性、高可用、高性能复杂场景的稳定性保障策略与标准； 5. 长期追踪工业界与学术界前沿技术（如面向时序数据的基础大模型、先进混沌工程实践等），主导技术预研与规模化落地，驱动团队技术持续演进。
1. 参与运维可观测链路建设： 1.1 建立并持续优化产品运维的监控机制，研发并维护相应的运维监控平台/工具； 1.2 建立并持续优化产品运维的预警机制，确保故障能够被快速发现、通报、定位及处理； 1.3 建立快速分析、诊断、定位问题能力，并能够协同开发人员分析解决问题。 2. 参与运维可自愈链路建设： 2.1 建立健全快速恢复服务机制，降低业务受损程度，确保产品、业务稳定运行； 2.2 建立故障注入机制，模拟生产故障场景，验证产品稳定性水位，提前发现系统能力短板。 3. 运维自动化体系建设： 3.1 建设本领域相关的运维体系，如变更标准、重保体系、客情预警等，确保本领域产品运维&稳定性能力提升； 3.2 建设稳定性能力的数据化体系，通过数据驱动方式持续治理稳定性风险； 3.3 建设网络质量自动化探测评估体系，并结合观测链路和自愈链路，自动化隔离网络抖动带来的服务影响。
1、负责产品的硬件设计交付，实现产品化，对产品端到端交付质量运维负责，辅助并督导上游ODM/OEM开展设计和质量运维保障工作； 2、对标业界标杆，引入先进质量运维管理方法，并制定相关产品的全流程质量运维管控方案并主导实施，开展供应商质量审核、质量体系评估、运维能力管理，确保改善措施的有效实施； 3、主导分析解决和预防重大产品质量运维问题，主导产品质量问题分析、定位及质量问题的处理与预防； 4、负责大规模服务器从交付到退役的全生命周期运维工作，包括新机型导入（NPI）、操作系统安装、维修、硬件监控、硬件重构、服务器管理等运维自动化系统架构、设计、研发，确保交付质量与效率满足SLA要求； 5、参与制定服务器可靠性标准及平台建设，负责风险应急处置，保障系统稳定性，提升业务的安全性与可持续性； 6、持续跟踪硬件相关领域的技术发展趋势，结合对阿里业务应用场景的深入分析，并推动相关技术的产品化实现。
我们正在寻找具备扎实算法研发能力和系统工程思维的技术人才，共同构建面向超大规模云环境的新一代智能运维（AIOps）体系。你将深度参与从问题定义到算法落地的完整闭环，推动AI技术在稳定性保障、故障诊断、效率提升等关键场景中的创新应用。 主要职责包括但不限于： 1. 业务需求分析与算法方案设计 ○ 深入理解阿里云大数据与AI平台在稳定性、性能优化、运维提效等方面的运维痛点，识别核心问题场景，明确算法目标与交付边界； ○ 将复杂运维场景抽象为可建模的问题，结合业界前沿技术完成技术选型与算法方案设计，相关技术包括但不限于： ■ 多维度时间序列异常检测与预测 ■ 日志模式提取、聚类与异常识别 ■ 关联分析和因果推断 ■ 大模型微调（Fine-tuning）与检索增强生成（RAG） ■ 大模型智能体 2. 算法工程化实现与系统建设 ○ 按照团队的算法开发工程规范，完成端到端的算法工程化落地，包括数据清洗、特征工程、模型训练与推理流程的设计与开发等； ○ 设计并建立算法服务的SLA体系，涵盖准确性、响应延迟、稳定性及可扩展性，支撑高并发、低延迟的线上服务能力； ○ 将算法能力集成至智能运维平台，并进行相关产品能力建设，支撑包括变更风险巡检、根因定位、智能答疑等功能模块。 3. 算法评估与调优 ○ 构建科学的测试验证机制量化评估算法效果；建立离线评测与在线A/B测试联动机制，驱动算法持续优化与产品价值验证； ○ 根据实际运行反馈与性能瓶颈，通过参数调优、模型轻量化、计算逻辑重构等方式提升算法效率与准确率。 4. 前沿技术探索与体系建设 ○ 密切跟踪AIOps、时间序列分析、大模型智能体、强化学习、因果推断、知识图谱等领域的最新进展，积极探索AI新技术在运维场景中的落地可能性，助力打造下一代自治云平台。