字节跳动测试开发工程师/专家-DevOps方向
任职要求
1、计算机及相关专业，本科及以上学历； 2、掌握Python/golang/Java/OC等语言中的一门或者多门； 3、熟练使用移动互联网相关的测试工具，具备前端或服务端性能、自动化经验； 4、熟练掌握 DevOps 理念和实践，熟悉 CI/CD 流程，能够设计和实现自动化部署、自动化测试等流程； 5、具有良好的沟通能力和团队合作精神、快速的学习能力、思维敏捷、逻辑清晰、执行力强、工作责任心强、有一定抗压能力。
工作职责
1、负责后端或web产品的质量保障工作；根据产品设计或需求，进行需求分析，制定测试计划、风险评估、设计测试数据和测试用例，执行测试用例，准确定位并追踪问题等； 2、对线上问题进行持续追踪，并从中得出一些优化监控、测试方案提升等改进措施； 3、对产品提出改进建议以建立极致的用户感受，对项目提出改进建议以提高项目整体效率； 4、在项目中保持和产品经理、开发工程师、用户等积极有效沟通，推动问题及时合理地解决，并保持总结问题。
1、参与公司自动化工程效能平台的架构设计与研发； 2、参与任务调度、任务执行、结果分析等后端模块的设计与研发； 3、参与产品需求分析，设计系统技术方案，提升平台运营效率； 4、挖掘业务痛点，以技术为驱动力解决痛点问题。
作为云原生CI/CD方向高级工程师/专家，您将深度参与公司级CI/CD平台的设计、构建、优化和推广。您需要运用您在CI/CD领域的多年经验和对云原生技术的深刻理解，结合平台工程的理念，打造自动化、智能化、自助化的研发交付流水线和开发者平台，赋能业务快速迭代和创新。 主要职责： 1. CI/CD平台建设与优化： - 负责设计、开发、部署和维护公司级CI/CD平台及相关工具链（如Jenkins, GitLab CI, Argo CD, Tekton, Spinnaker等）。 - 持续优化CI/CD流程，提升构建、测试、部署的自动化水平、速度和稳定性。 - 集成代码质量扫描、安全扫描、自动化测试等工具，确保交付质量。 2. 云原生技术实践与推广： - 将云原生理念（如微服务、容器化、不可变基础设施、声明式API）融入CI/CD流程和平台设计。 - 深入研究和应用Kubernetes、Docker、Service Mesh、Serverless等云原生技术，提升资源利用率和系统弹性。 - 推动云原生最佳实践在研发团队中的落地。 3. 平台工程理念落地： - 基于平台工程理念，设计和构建内部开发者平台（IDP），提供标准化的开发、测试、部署环境和工具。 - 为开发者提供自助服务能力，降低认知负荷，提升开发者体验（Developer Experience）。 - 抽象通用能力，构建可复用的组件和模板，赋能不同业务线的快速接入和使用。 4. 技术攻坚与创新： - 解决CI/CD及云原生平台在实施和运维过程中遇到的复杂技术难题。 - 跟踪业界CI/CD、DevOps及云原生领域的最新技术和发展趋势，引入创新方案，持续提升平台能力。 - 参与制定CI/CD和云原生相关的技术规范、标准和SOP。 5. 知识沉淀与分享： - 撰写技术文档，沉淀最佳实践，进行内部技术培训和分享，提升团队整体技术水平。 - 指导和帮助团队其他成员解决技术问题。
1、参与大模型在公司效能领域的应用落地，包括使用开源模型或者API搭建大模型应用架构、评测体系建设、智能体建设、智能CR、智能问答、测试用例生成等； 2、学习跟踪业界大模型在效能领域的最新进展，并探索大模型在公司效能方向的机会点和提升改进落地效果；
我们正在寻找具备深厚技术功底、前瞻性视野和丰富实战经验的DevOps平台工程专家，加入我们致力于构建智能化研发基础设施的核心团队。在这里，你将主导下一代AI驱动的CI/CD平台与智能运维系统的设计与落地，推动软件研发流程向自动化、可观测性、自愈能力和数据驱动决策全面进化。 作为团队的技术骨干，你将： 1. 设计并构建高可用、智能化的CI/CD平台 主导持续集成与持续交付系统的架构演进，支持大规模分布式研发协作；探索机器学习在构建失败预测、测试用例智能推荐、资源调度优化等场景的应用，显著提升交付效率与稳定性。 2. 打造企业级智能化运维（AIOps）体系 基于Python、Go等语言，构建自动化运维工具链与平台化能力，实现基础设施即代码（IaC）；引入异常检测、根因分析、故障传播图谱等AI算法，提升系统可观测性与故障响应速度，推动运维从“被动响应”向“主动预防”转变。 3. 构建全链路智能监控与自愈系统 设计并落地覆盖应用、服务、资源的端到端监控体系，集成Prometheus、Grafana、ELK、OpenTelemetry等主流技术栈；结合时序预测（LSTM、Prophet）、无监督异常检测（Isolation Forest、One-Class SVM）等模型，实现性能瓶颈预警、自动诊断与部分场景的闭环自愈。 4. 推动MLOps与DevOps深度融合 主导机器学习模型训练流水线（ML Pipeline）与模型服务化（Model Serving）平台建设，设计模型版本管理、A/B测试、流量灰度、监控告警与快速回滚机制，支撑AI能力高效、稳定地规模化落地。