构建可持续的 On-call 与应急响应体系：重构现有报警体系，建立分级降噪机制（解决 P0 淹没问题），实现故障的分钟级发现与精准定位
建立标准化的 On-call 手册与应急流程（Runbook），引入 Chaos Engineering 主动暴露系统脆弱点
主导故障复盘（Postmortem），推动根因修复与改进措施落地，确保同类故障不重复发生
发布工程与变更风险管理：针对高频上线场景，设计并落地安全变更框架：灰度发布、自动回滚、变更可观测性，将“变更导致故障”的概率降至最低
建立变更窗口管理、自动化测试卡点与发布流水线优化，让研发能够“快且安全”地迭代
可观测性体系与 Telemetry 共建：与研发团队共建统一的 Telemetry 标准（Metrics/Logs/Traces），基于业务场景定义清晰的 SLO/SLI，建设符合业务特性的监控 Dashboard
治理现有指标债务，消除无效报警，构建从业务指标到基础设施指标的全链路可观测性
工程效率基建：用软件工程手段解决重复运维问题：开发内部平台或工具（如自动化诊断、容量巡检、配置管理），将高频人工操作转化为自助服务
维护基于 Kubernetes 的 PaaS 底座能力，持续优化资源利用率与成本效率
沉淀 SRE 最佳实践文档与工具库，推动可靠性文化在组织内的标准化
参与需求评审与架构设计，从可靠性、可维护性角度提出专业建议，帮助业务团队在早期规避技术债务