阿里云诚云科技-资深应用运维工程师-计算平台
任职要求
1、3年以上大数据相关（Hadoop/Spark/Flink/OLAP）开发/运维经验，有较强的事故分析和故障排除能力，能够独立结合metric及日志分析处理多组件关联的较复杂问题；熟悉Hadoop源码尤佳 2、具备产品和服务改进意识，能有效识别产品问题或挖掘产品优化，推动产品改进提升用户体验； 3、具备运维平台和诊断工具开发能力（she…
工作职责
ꔷ 主导疑难问题工单的分析与解决，保障客户核心业务稳定运行； ꔷ 参与客户业务重保（Critical Support）方案设计与执行，提升客户满意度。 用户体验优化与产品改进 ꔷ 从工单中定位产品缺陷，提炼用户需求，提出优化建议； ꔷ 推动产品质量与功能迭代，通过技术改进提升用户体验。 运维平台智能化建设 ꔷ 参与大数据运维平台的产品化及智能化升级，主导售后工具、运维平台的开发与优化； ꔷ 基于历史工单数据、开源社区知识库，结合 MCP、RAG 等大模型技术，构建智能运维体系，提升售后响应效率与问题解决能力。 运维服务体系建设 ꔷ 负责运维服务体系的规划与落地，包括团队生态人员招聘、技能培养及知识沉淀； ꔷ 制定运维能力提升计划，确保团队高效支持复杂场景
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
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
1、稳定性保障与体系建设：负责大模型相关核心业务系统的稳定性建设工作，提升业务可用性与可靠性。 2、高并发流量治理：高并发场景下的流量治理方案设计与实施，包括熔断、限流、降级等容灾策略，确保业务弹性与鲁棒性。 3、运维流程优化和自动化：推动运维自动化与平台化建设，提升研发效率。 4、架构高可用建设：业务系统稳定性架构方案的设计与实施，推动高可用架构落地，规避系统性风险。 5、应急响应：负责快速定位并解决生产环境故障，建立故障快速恢复机制，推动长效改进措施落地。
1、客户现场专项技术负责人，如网络专项、数据库专项； 2、平台稳定性重大变更方案制定与实施，如性能/存储优化、底座改造等； 3、现场故障应急执行，协助原厂尽快恢复平台运行； 4、关键时刻现场保障，如客户平台隐患深度排查与治理； 5、复杂问题原因定位及解决；