阿里云阿里云智能-百炼稳定性工程专家/高级工程师-北京/杭州
任职要求
1、计算机及相关专业，5年以上的SRE/Devops经验，有大型互联网公司运维经验者优先。 2、熟悉常见的公共云服务，熟练使用通用云产品（如VPC、ECS、SLB、RDS等），具备云原生运维经验。 3、深入理解Linux系统原理及运维体系，熟悉分布式系统设计。熟练掌握Kubernetes与Docker架构及技术原理，有大规模生产集群的部署、调优及故障…
工作职责
1、稳定性保障与体系建设：负责大模型服务平台及人工智能产品的稳定性保障工作，通过指标建设、预案设计、容量规划、监控完善、建立SOP等手段提升业务可用性与可靠性。 2、高并发流量治理：主导大规模分布式系统及高并发场景下的流量治理方案设计与实施，包括弹性扩缩容以及熔断、限流、降级等容灾策略，确保业务连续性与鲁棒性。 3、新环境部署：在新环境上进行一整套推理系统及其上下游依赖的部署和运维，负责日常模型的上架、性能监测、中间件和底层基建性能监测等。 4、Oncall与应急响应：参与OnCall值班，快速定位并解决生产环境故障，主导重大事件应急响应与复盘；建立故障快速恢复机制，推动根因分析及长效改进措施落地。 5、运维自动化：优化现有部署、监控及维护流程，推动运维自动化与平台化建设，提升研发效率与系统可观测性。负责监控/日志/网络/存储等原生基础设施的保障和工具开发。
1. 负责百炼平台大模型调优与部署等AI工具链产品化落地； 2. 负责百炼平台的调优模型推理、模型评测、模型调优、模型广场等的模块的架构设计和开发工作； 3. 了解技术使用场景和优缺点，能够就复杂技术问题，提供解决方案并执行落地，同时对上下游技术团队及技术架构有完整的了解； 4. 基于业务需求和技术洞察，在调优后模型的推理服务方面，进行技术规划并落地。
1. 负责阿里云百炼平台的质量保障工作，参与产品需求和技术方案评审，评估技术架构合理性和可测性。 2. 进行阿里云百炼平台的质量保障体系建设，包括功能测试、自动化测试、性能测试和稳定性测试等。 3. 配合开发团队进行问题排查和分析，解决线上用户问题，持续提升产品竞争力。
阿里云 AI 中间件团队致力于打造行业优秀的AI中间件（Agent框架，Agent Registry，Agent网关等），拥有全球优秀开源项目AgentScope/Higress / Dubbo / Nacos ，优秀的商业产品AI网关，MSE，支撑阿里Qwen-APP/百炼/PAI 等核心业务流量。期待你能够洞察 AI 网关趋势，梳理核心技术竞争点，带领团队持续引领 AI 网关先进性。 1、主导 AI 网关的系统设计与实现， 独立完成 AI 模块的完整设计、开发工作，并保证功能交付的质量与稳定性； 2、主导 AI 网关的用户洞察，产品链接，需求实现，主动组织、推动上下游团队的协作，按时保质地交付用户功能需求； 3、主导 AI 网关的高可用能力构建，主动通过单元测试、功能测试、性能测试、容灾演练等持续提升自身负责模块的稳定性能力； 4、主导 AI网关的开源项目 Higress 影响力和标准的构建，积极参与开源 Higress 社区的生态扩展以及 AIGC 的探索； 5、能够 洞察 AI 网关趋势，结合行业报告、竞对分析、市场反馈，扩大 AI 网关竞争优势。
1、负责企业级的AI Agent平台产品分析、架构设计、研发与持续迭代演进； 2、负责Agent技术研究应用及产品能力建设，包括不限于Multi-Agent、Workflow等，构建和完善多智能体系统的应用能力，确保系统的稳定性和扩展性。 3、负责Agent相关垂类应用落地，包括垂类Agent在商业化广告、客户服务、品牌营销、研究报告等方向的落地，提升智能体在复杂环境中的协作和决策能力。 4、能够持续学习、研究行业最佳实践，不断优化和提升大模型Agent的应用技术、支持业务场景下的Agent能力演进。