月之暗面Kimi 资深业务SRE

工作描述

你将负责什么
1. 定义 Kimi 业务的稳定性
「稳」是什么、稳到什么程度、怎么衡量——在 Kimi，这些问题的答案由你来写。Kimi 业务正在高速发展，模型高频发布、产品形态快速演进：你不只是在维护一套静态系统，而是深入快速变化的 AI 架构与产品演进路线，在真正的前沿场景里定义可靠性。
与研发团队共建 SLO / SLI 体系，在可用性、延迟与迭代速度之间取得平衡，让可靠性目标与业务影响直接挂钩。
建立信号清晰的告警体系：分级、降噪，实现故障的分钟级发现与精准定位。
主导故障响应与复盘：快速恢复、彻底复盘、系统性改进——让团队从每一次故障中学到东西，确保同类问题不重复发生。
2. 发布工程与变更安全
为高频模型发布与产品迭代设计安全变更框架：灰度、金丝雀、自动回滚、变更可观测性，把「变更导致故障」的概率降至最低。
护航关键发布：发布前 readiness 评估（容量、依赖、回滚路径），发布中值守，发布后复盘。
把发布 runbook 沉淀为工具与流水线，把手工核验变成持续校验——每一次发布，都让 checklist 更短。
3. 可观测性与可靠性工程
与研发共建统一的 Telemetry 标准（Metrics / Logs / Traces），构建从业务指标到基础设施…