Kimi 资深业务SRE

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指标的全链路可观测性。 用软件工程手段消除重复劳动（toil）：自动化诊断、容量与性能管理、混沌工程与合成测试，把高频人工操作变成自助服务。 持续优化资源利用率与成本效率。 4. AI-native 与平台协作 用 AI Agent 重做可靠性工作：告警分析、事故总结、自动巡检——把已在内部跑通的雏形产品化，做「AI 时代 SRE 怎么工作」的探索者。 参与需求与架构评审，把可靠性前置到设计阶段，帮助业务团队早期规避技术债。 用好公司统一 infra 能力，把平台能力转化为业务指标。 我们期待的你 必须项 具备架构能力和意识：能清晰定义和描述业务架构，画得出系统全貌，看得清模块间的接缝；能对跨团队的技术方向形成判断并推动对齐。 系统功底扎实：精通 Linux 操作系统、网络、存储，具备深度诊断与优化能力。 精通 Cloud Native 架构：Kubernetes、Grafana、Loki、Helm、ArgoCD 等生态有生产环境实践。 AI-native 工作方式：对 AI Agent 有独到理解，自己就在用 AI 工具重做运维流程、提升工程效率。 有实打实的开发能力：精通 Go 语言，必须做过 DevOps 平台或系统，能用代码把重复工作自动化掉。 大规模在线业务的生产可靠性实战经验（SRE / Production Engineer / 后端出身均可），包括 on-call、故障响应与复盘驱动的改进。 对业务有热情，对细节问题一丝不苟；owner 意识强烈，有强烈的推动问题解决的意愿。 熟悉海内外主流云厂商的资源配置和使用。 加分项 有大模型 serving / 推理链路运维经验，理解 AI 产品的可靠性特性。 主导过从混乱到秩序的 SRE 建设：报警治理、发布流程重构、On-call 体系搭建。 可观测性或基础设施开源项目贡献者；熟悉 Chaos Engineering、eBPF、Service Mesh 等前沿技术。 我们能提供什么 直接的业务影响力：千万级用户的产品与高频模型发布，你的改进立即作用于核心业务，解决真实且紧迫的痛点。 前沿的真实战场：参与快速变化的 AI 架构与产品演进路线，你遇到的可靠性问题大多是新问题。 建设而非维护：我们处于快速成长期，你需要建立标准而非遵守过时的标准，有充足的发挥空间和资源支持。 AI-native 的实践场：把 AI Agent 用进可靠性工程，把你的 SRE Agent 产品化，这是一次全新的尝试。 与优秀的工程团队协作：我们是一群务实、对技术有追求的工程师，相信你能在这里找到技术共鸣。