阿里云阿里云智能-AIOps Agent 研发专家-ABM 平台研发

我们正在招聘 AIOps Agent 研发专家，作为核心研发参与阿里云计算平台下的运维平台 Agent 体系的架构设计与系统实现，服务阿里云计算平台产品，把传统工具化、流程化的运维能力研发升级为 AI Native 的平台化、自动化、自主化产品。 工作职责： 1. 负责运维平台 Agent 工程链路研发，让 Agent 在真实运维场景下做到稳定可控、可观测、可治理。 2. 基于大模型、RAG 与自动化编排，端到端研发异常处置、机器自愈、变更风险拦截、Context 底座等，把目前碎片化、流程化的运维能力重构为完整的 Agent 协同产品。 3. GitOps × IaC 变更能力建设：负责 GitOps x Iac 的变更能力建设，覆盖应用与基础设施资源，保障不同产品形态下的统一管控模型与大规模变更场景下的稳定性，并具备 Agent 协同执行的能力。 4. 中台 AI 自主开发能力研发：研发可供 AI 自主行动的中台与 SRE 服务环境，推动中台需求开发与交付向 AI Native 模式演进，让 AI 在真实工程语境下安全完成闭环并保证可审计、可回滚。 5. 平台关键能力研发与稳定性保障：承接运维平台的关键模块的设计、开发、演进与稳定性治理，保障关键服务可用性、监控覆盖与交付质量，并按横向项目节奏推进代码合一、独立部署等研发要求。 6. 与 SRE、算法团队一起，协同识别效率瓶颈与稳定性风险，主导 AI Native 工程方法与研发范式在团队内沉淀。

1. 负责LLM在运维领域的应用与落地，包括但不限于LLM/GPT、LangChain、知识图谱、图神经网络、强化学习等技术，探索智能运维与领域模型的结合，实现在业务中的应用落地； 2. 探索LLM技术在智能运维领域中的落地应用，负责算法模型研发，搭建LLM应用的框架，融入统一运维平台，为运维效率提升提供智能服务； 3. 参与领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署，保证数据的高质量和有效性； 4. 探索 Agent 在复杂任务中的应用，实现基于LLM的复杂任务在智能运维领域场景的应用落地； 5. 持续跟进LLM前沿技术、开源方案及其在智能运维领域的应用。

1、负责火山引擎平台稳定性领域相关的AIOps场景（智能监控、变更风险识别和检测、事故/问题根因定位、告警聚合、架构治理、成本优化等）的业务与架构方案设计、研发及SRE Agent能力建设； 2、负责火山引擎的平台架构工程系统研发，包括需求分析、系统设计、编码实现、测试等工作； 3、负责火山引擎稳定性领域平台的建设，包括监控、预警、故障排查和恢复等平台功能设计与研发。

1）负责阿里云AI人工智能平台（PAI）运维工作，建设超大规模GPU集群稳定性体系，包括可观测性链路、监控报警，故障应急及处置、SLA可用率度量提升等 2）研发AI运维管控平台，通过自动化提升运维效率，包括交付&变更CICD、GPU节点交付&自愈、智能诊断定界等 3）落地AIOps智能运维，通过AI算法提升稳定性，包括异常检测、根因定位及基于大模型&智能体Agent运维落地等 4）负责稳定性架构设计及项目组织推动落地，包括基础架构云原生化、跨AZ高可用架构、产品可运维性架构演进等