DevOps / SRE Lead

DevOps / SRE Lead（高级运维负责人）

职位概述

我们正在寻找一位具备深厚技术能力和架构视角的 DevOps / SRE Lead，全面负责公司生产平台的稳定性、架构演进、自动化和重大故障应急。

你将制定基础设施和稳定性标准，主导复杂故障处置和架构决策，培养工程师，并与研发、安全、产品及管理团队协作。需要同时具备 Linux、云基础设施、网络、Kubernetes、数据库、中间件及应用交付等领域的实战能力。

岗位职责

• 负责生产、预发和测试环境的技术路线、架构规划、运维标准及持续优化。
• 主导安全、可扩展、可观测、可恢复的平台建设，覆盖云基础设施、网络、计算、存储、容器、数据库和中间件。
• 担任重大线上事故的技术指挥：快速研判、控制影响范围、协调研发团队和云厂商、恢复服务、主导复盘，并确保长期修复措施落地。
• 设计和推动高可用与资源隔离架构，包括生产/预发隔离、核心/非核心服务隔离、数据/计算隔离、跨节点/跨可用区部署、备份与容灾。
• 主导 Linux、云平台、Kubernetes/EKS、CI/CD、基础设施即代码、可观测性和安全加固等平台能力的建设与演进。
• 制定新服务上线的生产准入标准，包括容量、资源限制、高可用、监控告警、日志、链路追踪、备份、回滚和运维责任人。
• 主导性能与稳定性问题排查，覆盖 CPU、内存、磁盘、IOPS、网络、DNS、Kubernetes 调度、数据库、缓存、消息队列和应用依赖链路。
• 建设并持续优化监控、告警、值班、故障升级、容量预测、应急预案及自动化恢复机制。
• 建立安全的发布和变更管理体系，包括 CI/CD、灰度发布、回滚方案、变更评审、发布窗口和风险评估。
• 推动 Infrastructure as Code、自动化运维和平台标准化，降低人工操作风险和单点依赖。
• 培养 DevOps/SRE 工程师，指导研发团队落实稳定性、Kubernetes、云平台、上线准入和故障应急最佳实践。
• 与研发、安全和管理团队协作，推动稳定性投入优先级，并清晰传达技术风险、架构方案和恢复计划。

任职要求

• 10 年以上 DevOps、SRE、基础设施、云平台工程或生产运维经验; 有技术负责人或 Tech Lead 经历者优先。
• 有独立负责并持续改善中大型生产环境稳定性的真实经验。
• 具备高压故障场景下的领导能力，能够在信息不完整时做出判断，明确分工，持续同步进展，并推动业务恢复。
• 具备系统架构视角，能够理解从用户请求到网关、服务、缓存、消息队列、数据库及第三方依赖的完整链路。
• 精通 Linux 系统与性能排查，熟悉 CPU、内存、磁盘、文件系统、I/O、网络、TCP、DNS、进程和线程问题。
• 熟悉 AWS 或其他主流云平台，具备 IAM、VPC、路由、安全组、负载均衡、存储、DNS、CDN、WAF 和容灾等生产实践。
• 有 Kubernetes 生产运维经验，具备 EKS 或其他托管 Kubernetes 实战经验; 理解节点组、调度、网络、存储、Ingress、自动扩缩容、集群升级、工作负载隔离与高可用。
• 熟悉 MySQL/RDS、Redis、Kafka/MSK、Elasticsearch/OpenSearch、Nacos、XXL-Job 等核心中间件和数据组件的生产运维。
• 熟悉 Prometheus、Grafana、ELK/Loki、CloudWatch、OpenTelemetry 或同类可观测工具。
• 熟练使用 Shell，能够使用 Python 或 Go 编写自动化工具; 有 Terraform、Ansible、Helm、Argo CD、Jenkins、GitLab CI 等实践经验。
• 能够制定技术标准，输出清晰的架构和运维文档，并有效推动跨团队协作。

加分项

• 有支付、金融、交易、风控或高可用、高并发业务的生产保障经验。
• 有主导节点大面积异常、服务大规模超时、磁盘 I/O 打满、Kubernetes 故障、数据库故障或云网络故障恢复的真实经历。
• 有跨可用区、跨地域、双活或灾备体系建设经验。
• 有云成本治理、FinOps、容量规划和性能优化经验。
• 持有 CKA/CKS、AWS Solutions Architect、AWS DevOps Engineer 或同类认证。