AI 平台高级 SRE 工程师 / DevOps 工程师 北京 全职 互联网 / 电子 / 网游 职位描述 1. 负责理想汽车 AI 平台大规模 GPU 集群、RDMA 网络及并行高速存储的稳定运行与日常运维，保障训练、推理等核心 AI 业务高效交付。 2. 负责大规模 GPU 集群在训练任务、资源调度、网络通信、存储访问等场景下的故障定位与问题解决，持续提升平台稳定性和可用性。 3. 深入理解 AI 训练与推理业务场景，参与 AI 平台在 Kubernetes 多集群、监控告警、日志检索、故障诊断等方向的云原生架构演进与落地。 4. 建设和完善
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 /
SRE工程师 北京、南京 校招 正式 软件研发类 2027届校园招聘计划 职位描述 1、我们为小米的站点稳定性提供系统和工具，是稳定性工程专家；2、实践DevOps , Google SRE 和 AI Ops 的工程思想；3、站在软件生命周期全局考虑如何保障系统健壮性，稳定性，并通过软件工程技术为站点保驾护航；4、站在用户/工程师的角度提供易用的工具和平台产品，不断完善使用体验；5、负责集团基础软件/工具/平台的设计和研发，维护小米各项业务的稳定运行；6、按照优秀的工程实践完成需求，设计，编码，测试，发布的软件开发流程；7、按照标准编写设计/开发/运维/用户文。 职位要求 1、熟练Go/C/C++/Java/Shell/Python至少一种编程语言，有Ruby/Bash经验更好；2、熟悉Linux/Unix系统；3、熟悉软件开发方法/流程，理解软件设计，开发，测试，发布过程；4、持续学习，不断追求更好，不断挑战自己，包括：产品/架构/方案/流程/编码；5、乐于分享，具备服务精神，良好的沟通能力和团队合作精神；6、优秀的分析和解决问题能力，勇于解决难题，有”问题到我为止“的精神。 投递...
运维研发工程师 北京 全职 互联网 / 电子 / 网游 职位描述 1.负责故障管理、稳定性治理和高可用保障相关工作，参与故障发现、响应、协同处置、复盘改进和机制沉淀，推动故障管理流程标准化、数字化和可度量化。2.参与充电业务高可用建设协作，围绕核心业务链路、关键系统依赖、容量风险、变更风险和应急预案等方向，配合业务、研发、测试、运维等团队识别并推进稳定性改进事项。3.负责重大活动保障中的协调与推动工作，包括保障方案准备、风险排查、监控确认、预案演练、保障值守、问题跟进和活动后复盘，提升活动期间企业数字平台的连续性和可靠性。4.参与系统风险相关工作的数字化建设，协同团队完成风险对象、风险指标、风险事件、治理动作、责任关系、处置状态等数据模型设计，推动风险管理从经验驱动向数据驱动演进。5.结合当前智能化技术趋势，参与系统风险治理的智能化探索，包括风险数据沉淀、规则建模、异常识别、趋势分析、智能推荐、辅助决策等方向，提升稳定性治理的自动化和智能化水平。6.持续沉淀稳定性治理方法论、流程规范、数据标准和工具能力，推动企业 IT 系统稳定性提升，降低故障发生概率和业务影响范围。 职位要求 1.全日制统招本科及以上学历，熟悉运维、SRE、DevOps 或平台工程相关工作方法，理解故障管理、监控告警、应急响应、变更管理、容量管理、稳定性治理等基本体系。2.具备较好的系统化思维，能够围绕业务链路、系统依赖、风险点、治理动作和度量指标进行结构化分析，推动复杂问题拆解和闭环解决。3.具备一定研发能力，熟悉至少一种编程语言，如 Python、Go、Java 或 JavaScript，能够参与运维工具、数据平台、风险治理平台或自动化能力建设。4.了解数据库、接口服务、消息队列、缓存、容器、云平台、监控系统等常见 IT 基础设施和应用架构，能够理解系统运行风险和高可用保障重点。5.具备数据建模和数据分析意识，能够将稳定性、故障、风险、治理动作等工作对象抽象为可管理、可统计、可追踪的数据模型。6.具备良好的跨团队沟通和项目协同能力，能够在故障处置、活动保障、风险治理推进等场景中协调多方资源，推动问题落地解决。7.具备较强的责任心和风险意识，对线上稳定性、业务连续性和用户影响有敏感度，能够在关键保障场景中保持严谨、及时和可追踪的工作方式。8.具备持续改进意识，能够通过复盘、数据分析、流程优化和工具建设，推动稳定性治理能力长期提升。 投递...