传音
AI SRE工程师(J20622)
AI SRE工程师(J20622)
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公DevOps/SRE
DevOps/SRE
Go
Gpu集群
Sre
可观测性
故障管理
值不值得投
79综合评分
综合评分 79
AI基础设施核心岗、技术栈前沿、薪资市场水准、WLB存在潜在挑战
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
与DevOps/SRE中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 780 个在招 · 其中DevOps/SRE 3 个
市场机会
选择适中
深圳 · DevOps/SRE · 37 个在招
职位详情
关于这个职位
负责构建和维护AI平台及模型服务的可靠性体系，包括建立SLI/SLO指标、监控告警及可观测性系统
通过容量分析、负载测试和自动化手段保障GPU集群与训练/推理服务的高可用性，并主导生产故障的应急响应、根因分析及长期改进，确保系统稳定高效运行
最低要求
计算机或相关专业本科及以上学历
熟悉 Linux、网络、容器与 Kubernetes，能够结合日志、监控指标和系统运行状态排查跨组件、跨系统问题
熟练使用 Python 或 Go 开发自动化工具，具备将重复维护、故障诊断或恢复流程实现为代码的实践经验
熟悉 Prometheus、Grafana、OpenTelemetry 或同类可观测性工具，能够设计服务指标、可靠性目标及有效告警
具备容量测试、生产故障处置、变更回滚和故障恢复实践，理解 GPU 任务、分布式训练或模型推理服务的基本运行特点
工作职责
建立 AI 平台、训练任务和模型服务的可靠性指标（SLI）与目标（SLO），建设监控、日志、链路追踪和告警体系，持续跟踪服务可用性、运行质量及稳定性风险
开展容量分析和负载测试，分析 GPU 资源水位、训练任务运行状态、推理服务吞吐及响应时延，识别容量与性能风险，推动容量预留、弹性扩缩容及过载保护方案落地
负责生产故障响应、影响评估、止损与恢复协调，联合平台、训推框架及 GPU 基础设施工程师完成问题定位和修复，组织故障复盘并推动长期改进
完善发布检查、变更验证、回滚和恢复方案，开发故障诊断、自动恢复及可靠性验证工具，降低系统变更与生产运行风险
推进监控告警、巡检、故障处理和日常维护自动化，维护运行手册与应急预案，减少重复故障和人工处理投入，提高系统整体可靠性
优先资格
有 GPU 集群、机器学习平台或模型服务 SRE 经验，或有性能诊断、故障注入、自动恢复及可靠性测试工具开发经验者优先
AI 洞察
优缺点分析
优点
- 处于AI基础设施核心环节，技术栈前沿（GPU/K8s/AI Platform），职业竞争力强
- 头部互联网/科技公司背景，平台规模大，能接触高并发、大规模集群的真实场景
- 强调自动化与工程化能力，有助于培养深厚的SRE工程素养
- 需要同时懂传统运维与AI算法侧知识，学习曲线较陡
- 适合具备扎实后端/运维功底，对AI基础设施感兴趣，且抗压能力强、喜欢通过代码解决复杂系统问题的工程师
缺点 / 挑战
- AI业务迭代快，GPU资源紧张，需应对复杂的资源调度与性能调优压力
- 7x24小时待命，生产故障响应要求高，可能面临较大的心理与时间压力
角色解读
- 向高级SRE或站点可靠性架构师发展，负责更大规模分布式系统的稳定性治理
- 转向AI Infra方向，深入参与AI平台底层架构设计与优化
- 晋升为技术Team Leader，带领团队负责特定业务线的稳定性保障
- 构建AI平台的可观测性体系，定义并监控SLI/SLO指标，确保训练和推理服务的高可用性
- 进行GPU资源容量规划与负载测试，优化弹性伸缩策略，解决性能瓶颈
- 主导生产环境故障应急处理，执行根因分析(RCA)并推动系统性改进
- 开发自动化运维工具，提升变更管理与故障恢复效率
- 扎实的Linux系统与网络基础，精通Kubernetes容器编排
- 熟练掌握Python或Go语言，具备较强的自动化脚本开发与工具链构建能力
- 深入理解Prometheus、Grafana、OpenTelemetry等可观测性栈
- 熟悉GPU集群特性及分布式训练/推理服务的基本原理
申请策略
- 了解传音的主营业务（智能手机出海），思考AI如何赋能其终端设备或云端服务
- 准备关于‘如何平衡AI训练资源独占性与推理服务低延迟’的技术讨论点
- 突出Kubernetes集群管理经验及大规模节点运维案例
- 展示使用Python/Go开发的自动化运维工具或平台，量化提效成果
- 详细描述一次复杂的故障排查与恢复经历，体现RCA深度
- 强调对GPU资源管理及AI训练/推理服务稳定性的具体贡献
- 深入学习OpenTelemetry标准及分布式追踪原理
- 补充GPU硬件基础及CUDA编程基本概念，理解AI工作负载特征
面试指南
- STAR法则：情境-任务-行动-结果，重点突出数据量化（如MTTR降低百分比）
- 结构化思维：从现象到本质，分层排查（网络->系统->应用->依赖）
- 工程化视角：强调自动化、标准化和预防机制，而非仅靠人力救火
- 请描述你设计过的最复杂的SLI/SLO体系，是如何确定的？
- 在Kubernetes环境中，如何排查一个Pod启动失败但日志无明确错误的疑难问题？
- 面对GPU集群资源争抢导致的训练任务抖动，你有什么优化思路？
- 请分享一次你主导的重大生产故障复盘，根本原因是什么？如何避免复发？
- 如何用Go语言编写一个高效的Prometheus Exporter？
职位点评
薪资福利85
成长发展90
工作生活60
使命价值70
薪资福利
85较高
作为已上市的跨国巨头企业，提供具有市场竞争力的薪资和完善的福利体系，符合中高级技术人才的薪酬预期。
薪资信号市场水准 (2.5千–4.5万/月)
成长发展
90较高
岗位聚焦于AI基础设施这一前沿领域，涉及GPU集群、K8s及可观测性等高技术含量内容，技能成长空间巨大。
技术前沿前沿/新兴技术
技术栈AI、GPU、Kubernetes、Prometheus、OpenTelemetry、Python、Go
业务类型profit_center
工作生活
60中等
SRE岗位通常需要On-call值班，且AI业务高峰期压力大，WLB可能受到一定挑战，但公司未明确提及弹性工作制。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
通过提升AI平台稳定性间接支持公司业务创新，虽非直接面向社会公益，但在科技赋能行业方面具有积极意义。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs