通义通义实验室-技术专家-SRE运维
社招全职3年以上技术类-开发地点：北京 | 杭州状态：招聘
任职要求
1、计算机及相关专业，3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、调优及故障排查经验； 4、熟悉Prometheus、Grafana、ELK、SkyWalking、OpenTelemetry等可观测性技术栈； 5、至少掌握Python/Go/Shell任意一门语言，熟悉主流Web框架，有运维工具开发经验者优先； 6、具备优秀的逻辑分析能力与系统性思维，对技术敏感度高，有强烈的责任心，具备优秀的沟通能力、执行力及团队合作精神。 加分项 1、参与过混沌工程、全链路压测、多活容灾等大型稳定性项目； 2、有云原生技术（如Serverless、Service Mesh）落地经验或开源项目贡献者优先。
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、运维流程优化与自动化：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； 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。
包括英文材料
DevOps+
https://roadmap.sh/devops
Step by step guide for DevOps, SRE or any other Operations Role in 2025
https://zhuanlan.zhihu.com/p/562036793
DevOps中的Dev指的是Development（开发），Ops指的是Operations（运维），用一句话来说，DevOps就是打通开发运维的壁垒，实现开发运维一体化。
Linux+
https://ryanstutorials.net/linuxtutorial/
Ok, so you want to learn how to use the Bash command line interface (terminal) on Unix/Linux.
https://ubuntu.com/tutorials/command-line-for-beginners
The Linux command line is a text interface to your computer.
https://www.youtube.com/watch?v=6WatcfENsOU
In this Linux crash course, you will learn the fundamental skills and tools you need to become a proficient Linux system administrator.
https://www.youtube.com/watch?v=v392lEyM29A
Never fear the command line again, make it fear you.
https://www.youtube.com/watch?v=ZtqBQ68cfJc
分布式系统+
https://www.distributedsystemscourse.com/
The home page of a free online class in distributed systems.
https://www.youtube.com/watch?v=7VbL89mKK3M&list=PLOE1GTZ5ouRPbpTnrZ3Wqjamfwn_Q5Y9A
Kubernetes+
https://kubernetes.io/docs/tutorials/kubernetes-basics/
This tutorial provides a walkthrough of the basics of the Kubernetes cluster orchestration system.
https://kubernetes.io/zh-cn/docs/tutorials/kubernetes-basics/
本教程介绍 Kubernetes 集群编排系统的基础知识。每个模块包含关于 Kubernetes 主要特性和概念的一些背景信息，还包括一个在线教程供你学习。
https://www.youtube.com/watch?v=s_o8dwzRlu4
Hands-On Kubernetes Tutorial | Learn Kubernetes in 1 Hour - Kubernetes Course for Beginners
https://www.youtube.com/watch?v=X48VuDVv0do
Full Kubernetes Tutorial | Kubernetes Course | Hands-on course with a lot of demos
Docker+
https://www.youtube.com/watch?v=GFgJkfScVNU
Master Docker in one course; learn about images and containers on Docker Hub, running multiple containers with Docker Compose, automating workflows with Docker Compose Watch, and much more. 🐳
https://www.youtube.com/watch?v=kTp5xUtcalw
Learn how to use Docker and Kubernetes in this complete hand-on course for beginners.
Prometheus+
https://grafana.com/docs/grafana/latest/getting-started/get-started-grafana-prometheus/
Prometheus is an open source monitoring system for which Grafana provides out-of-the-box support.
https://prometheus.io/docs/tutorials/getting_started/
Prometheus is a system monitoring and alerting system.
Grafana+
ELK+
https://logz.io/learn/complete-guide-elk-stack/
With millions of downloads for its various components since first being introduced, the ELK Stack is the world’s most popular log management platform.
https://www.baeldung.com/ops/elk
In this tutorial, we’ll learn about the basics of the ELK stack.
https://www.youtube.com/watch?v=jk4RoEYCZTo
explains how to install and configure ELK (Elastic Search, Logstash, Kibana) Stack, a log management solution for analyzing and visualizing your data.
OpenTelemetry+
https://logz.io/learn/opentelemetry-guide/#overview
Every journey in Observability begins with instrumenting an application to emit telemetry data – primarily logs, metrics and traces – from each service as it executes.
[英文] Getting Started
https://opentelemetry.io/docs/languages/go/getting-started/
This page will show you how to get started with OpenTelemetry in Go.
https://www.youtube.com/watch?v=hLvwoow3XTk
OpenTelemetry can help, with its powerful capabilities for monitoring and analyzing hybrid applications, including collecting and analyzing telemetry data, metrics, and traces.
https://www.youtube.com/watch?v=Txe4ji4EDUA
In the observability space, the project making this possible is OpenTelemetry.
Python+
https://liaoxuefeng.com/books/python/introduction/index.html
中文，免费，零起点，完整示例，基于最新的Python 3版本。
https://www.learnpython.org/
a free interactive Python tutorial for people who want to learn Python, fast.
https://www.youtube.com/watch?v=K5KVEU3aaeQ
Master Python from scratch 🚀 No fluff—just clear, practical coding skills to kickstart your journey!
https://www.youtube.com/watch?v=rfscVS0vtbw
This course will give you a full introduction into all of the core concepts in python.
Go+
https://www.youtube.com/watch?v=8uiZC0l4Ajw
学习Golang的完整教程！从开始到结束不到一个小时，包括如何在Go中构建API的完整演示。没有多余的内容，只有你需要知道的知识。
Bash+
[英文] The Bash Guide
https://guide.bash.academy/
A quality-driven guide through the shell's many features.
https://www.youtube.com/watch?v=tK9Oc6AEnR4
Understanding how to use bash scripting will enhance your productivity by automating tasks, streamlining processes, and making your workflow more efficient.
Web+
https://web.dev/learn
Explore our growing collection of courses on key web design and development subjects.
相关职位
社招5年以上技术类
1. 负责公司业务系统运维工作，提升业务稳定性和工程效率，与业务方保持高效沟通，建立良好合作关系； 2. 负责应用上线评审、上线交付、配置变更、状态监控、容量管理、故障应急响应工作； 3. 参与业务服务端架构的高可用设计和性能优化，保证高效、可靠的业务迭代； 4. 负责线上重大问题排查，紧急事故处理，后续事故分析与优化； 5. 负责应用故障演练、应急预案、SOP手册编写工作，确保故障时业务能快速恢复； 6. 负责应用高可用建议及管理，包括限流、降级，容错、容灾，同城多活，确保应用质量； 7. 建立SLA评估标准，计算故障对SLA影响，并对SLA后续改进措施进行跟进； 8. 负责运维规范、流程文档编制，并将其工具化、平台化，确保运维安全，提升运维效率。
更新于 2023-12-26
社招5年以上平台类
1. 负责公司平台服务运维工作，管理平台运维团队，提升业务稳定性和工程效率。 2. 负责应用上线评审、上线交付、配置变更、状态监控、容量管理、故障应急响应工作。 3. 参与业务服务端架构的高可用设计和性能优化，保证高效、可靠的业务迭代。 4. 负责线上重大问题排查，紧急事故处理，后续事故分析与优化。 5. 负责应用故障演练、应急预案、SOP手册编写工作，确保故障时业务能快速恢复。 6. 负责应用容器化场景下高可用建议及管理，包括限流、降级，容错、容灾确保应用质量。 7. 负责运维规范、流程文档编制，并将其工具化、平台化，确保运维安全，提升运维效率。
更新于 2024-07-17
社招5年以上腾讯云产品
1.负责腾讯云公有云客户云上售后SRE专家支持工作，为客户提供容灾高可用，业务部署优化，架构优化，成本优化，容量管理，业务连续性治理等方面的专家服务； 2.帮助客户进行应用部署架构的梳理与优化，通过云产品自身提供的高可用能力或者业界主流的容灾方案，为客户提供容灾高可用优化方案的设计与实施； 3.通过混沌工程等演习手段，设计并实施客户应用业务层面的容灾方案与验证； 4.对常见的互联网IT故障，设计应急预案并工具化落地，帮助客户实现容灾自动化逃生能力，达到客户业务对 RTO/RPO 要求； 5.通过产品化，工具化的思路，提升客户在云上SRE管理与治理方面的体验与效率。
更新于 2025-07-21
社招3年以上A90366
1、负责字节跳动数据平台开发套件DataLeap稳定性保障、从发现、止血与恢复链路运维体系建设，保障业务连续性； 2、负责字节跳动自研大数据产品以及开源产品的自动化运维，提升交付、运维与技术支持的效能； 3、负责沉淀大数据运维经验向文档化、工具化以及标准化推进，促进字节跳动大数据平台运维效能与安全生产。
更新于 2024-12-04