月之暗面高级 SRE 工程师 Senior Site Reliability Engineer

工作描述

为什么我们需要你
我们需要一位 Senior SRE 来完成关键的战略转向：将可靠性工作从“事后救火”推进到“事前设计”。你的核心使命是建立三道防线——可预测的发布工程、信号清晰的观测体系、持续进化的应急响应机制。这是一份高自由度、高可见度的角色。你将直接向工程负责人汇报，拥有跨团队推动技术决策的权限。成功意味着你建立的 SRE 实践将成为公司下一阶段增长的 engineering backbone。

你将负责什么
1. 构建可持续的 On-call 与应急响应体系
重构现有报警体系，建立分级降噪机制（解决 P0 淹没问题），实现故障的分钟级发现与精准定位。
建立标准化的 On-call 手册与应急流程（Runbook），引入 Chaos Engineering 主动暴露系统脆弱点。
主导故障复盘（Postmortem），推动根因修复与改进措施落地，确保同类故障不重复发生。

2. 发布工程与变更风险管理
针对高频上线场景，设计并落地安全变更框架：灰度发布、自动回滚、变更可观测性，将“变更导致故障”的概率降至最低。
建立变更窗口管理、自动化测试卡点与发布流水线优化，让研发能够“快且安全”地迭代。

3. 可观测性体系与 Telemetry 共建
与研发团队…