腾讯
AI Infra SRE 工程师(Agent沙箱)
AI Infra SRE 工程师(Agent沙箱)
发布于 2 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
Ai Agent
Ebpf
Go
Kvm/Qemu
Llm
Sre
可观测性
容器运行时
值不值得投
薪资怎么样
5.5万
比DevOps/SRE中位数高
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 2260 个在招 · 其中DevOps/SRE 13 个
市场机会
选择适中
深圳 · DevOps/SRE · 28 个在招
职位详情
关于这个职位
该岗位负责腾讯AI Infra宿主机集群与控制面的稳定性保障，涵盖虚拟化/容器运行时运维、大规模故障处理、SLA/SLO运营、可观测与自动化平台建设，并探索LLM/AI Agent在智能告警、故障诊断和自动化处置中的落地，同时推动容量与成本优化
最低要求
本科及以上，5年以上云计算 / 虚拟化 / 容器相关运维或研发经验
有大规模集群或控制面运维经验，良好的 oncall 意识与跨团队推动能力
熟悉 KVM / QEMU 虚拟化原理，了解轻量虚拟化或半虚拟化方案（如 MicroVM、Firecracker、Kata、gVisor）
熟悉容器与云原生技术栈：K8s、Docker 原理（调度/网络/存储）、容器运行时、namespace/cgroup、镜像与网络模型
具备系统级性能分析能力（perf / ftrace / eBPF），能独立定位跨内核、虚拟化、网络、存储的复杂问题
精通 Go / Python / Shell 之一，具备开发生产级自动化工具与运维平台的能力
工作职责
数据面：负责宿主机集群运维：内核、虚拟化栈、轻量虚拟机、容器运行时、版本管理与变更管控、大规模故障处理、机型适配
参与定位宿主机与实例侧疑难问题：虚拟化异常、内核 panic、性能抖动、IO 与网络异常
控制面：负责平台 SLA/SLO 达成：定义并运营可用性、创建成功率、冷启动时延等核心指标，保障调度与控制面组件的可用性、容量规划与性能优化
负责事件/变更/问题管理全流程：故障响应与升级、影响面评估与对外通报、复盘闭环与改进项跟踪
建设全链路可观测体系（指标、日志、拨测、事件），推进运维自动化，沉淀原子工具与标准化 SOP，实现巡检、变更、故障处置等场景的平台化
探索并落地 LLM、AI Agent 技术，结合运维知识库、监控数据与工具调用，建设智能告警分析、故障诊断与自动化处置能力
负责容量与成本优化，联动研发团队推动故障复盘与容灾风险治理，以数据驱动稳定性改进
优先资格
有 LLM / AI Agent 应用开发经验者优先
AI 洞察
优缺点分析
优点
- 技术栈覆盖虚拟化、容器、eBPF、可观测性和LLM/AI Agent，前沿且全面
- 大规模集群与复杂故障场景能快速锻炼系统级问题定位能力
- 腾讯平台背书强，基础设施规模和自动化建设空间大
- 岗位明确探索AI Agent在运维中的落地，有利于积累差异化经验
- 跨内核、虚拟化、网络、存储的疑难问题定位难度高
- 需要跨团队推动复盘、容灾治理和成本优化，对沟通协调要求高
- 适合有大规模集群、虚拟化或容器运维经验，愿意深入AI Infra与自动化平台建设，并能接受oncall和故障响应的工程师
缺点 / 挑战
- 需要良好的oncall意识和故障响应能力，稳定性压力较大
角色解读
- 可在AI Infra/SRE方向纵深发展，成为大规模集群与虚拟化平台稳定性专家
- 可向平台架构、稳定性负责人或SRE团队管理方向发展
- 结合LLM/AI Agent落地经验，可转向智能运维、AIOps等新兴方向
- 负责宿主机集群与虚拟化/容器运行时运维，处理内核、性能、IO、网络等疑难问题
- 负责控制面SLA/SLO运营、容量规划与性能优化，保障调度和控制面组件稳定
- 建设全链路可观测体系和自动化运维平台，沉淀巡检、变更、故障处置SOP
- 探索LLM/AI Agent在智能告警分析、故障诊断与自动化处置中的落地
- 熟悉KVM/QEMU虚拟化原理，了解MicroVM、Firecracker、Kata、gVisor等轻量虚拟化方案
- 熟悉K8s、Docker、容器运行时、namespace/cgroup、镜像与网络模型
- 具备perf/ftrace/eBPF等系统级性能分析能力，能定位跨内核、虚拟化、网络、存储问题
- 精通Go/Python/Shell之一，能开发生产级自动化工具与运维平台，有LLM/AI Agent经验更佳
申请策略
- 面试前了解腾讯AI Infra、Agent沙箱和云原生基础设施的业务场景
- 准备用数据说明SLO运营、故障复盘和成本优化的实际效果
- 突出大规模K8s/容器集群或宿主机集群运维经验，写明集群规模和稳定性指标
- 准备虚拟化异常、内核panic、性能抖动、IO/网络异常的定位案例
- 展示自动化工具或运维平台开发成果，如Go/Python编写的巡检、变更、故障处置工具
- 如有LLM/AI Agent、智能告警、故障诊断项目，务必单独列出
- 补强Firecracker、Kata、gVisor等轻量虚拟化/沙箱技术原理
- 练习perf、ftrace、eBPF在跨内核和网络存储问题中的实际使用
面试指南
- 用STAR结构讲清故障背景、影响面、排查路径、根因、修复和复盘改进
- 技术问题按“指标观测—分层定位—假设验证—根因修复—防复发”框架回答
- 设计类问题先讲目标和指标，再讲架构、工具链、风险控制和落地步骤
- 请描述一次大规模宿主机或容器集群故障的定位与恢复过程
- KVM/QEMU下出现虚拟机panic或性能抖动，你会如何分层排查？
- 如何定义并运营SLA/SLO？冷启动时延等指标如何优化？
- 如何用perf/ftrace/eBPF定位跨内核、网络或存储的复杂问题？
- 如果要用LLM/AI Agent做智能告警分析和自动处置，你会如何设计？
腾讯 的其他在招职位
相似职位推荐
Watch Jobs