腾讯云-可观测与运维平台高级研发工程师（深圳/杭州/北京/上海）

优缺点分析

角色解读

• 技术深耕：成为可观测性及智能运维领域的权威专家，主导核心技术架构演进
• 管理方向：从技术lead逐步转型为团队管理，负责产品线战略与技术决策
• 跨界发展：基于AI+运维的复合经验，可向AI平台架构、云原生基础设施等方向拓展
• 负责腾讯云可观测与运维平台的架构设计与研发，推动AI原生产品演进，将大模型与多Agent深度集成到运维场景中
• 构建高并发海量数据流水线，处理指标、日志、链路等可观测性数据，优化存储与计算组件性能
• 利用AI技术升级告警降噪、根因定位、ChatOps等智能运维能力，实现自动化闭环
• 精通至少一种后端语言（Java/Golang/Rust/C++），深入理解Linux底层与分布式系统设计
• 熟练掌握可观测性与大数据生态技术栈，如ClickHouse、Flink、Spark、Kubernetes等
• 具备AI工程化能力，包括大模型API、Prompt工程、RAG及Agent框架的端到端交付经验
• 深度使用AI辅助编程工具（如Claude Code、CodeBuddy）提升开发效率

申请策略

• 简历中明确体现对可观测性和AI运维的结合思考，展示全局视野
• 关注腾讯云开源项目（如TKE、CloudBase等），在面试中展示相关理解
• 突出在大数据或可观测性领域的项目经验，尤其是海量数据处理、存储优化相关
• 详细描述AI落地案例，包括大模型、RAG或Agent框架的实际工程交付
• 强调对开源社区的贡献或对可观测性生态的深度理解（如监控系统、告警降噪）
• 展示使用AI编程工具提升效率的具体事例
• 补充ClickHouse、Flink等大数据组件的实践深度，最好有性能调优经验
• 完善AI工程化知识，特别是LLM部署、Prompt优化、Agent框架（如LangChain、AutoGPT）的应用

面试指南

• 对于系统设计问题，采用“背景-方案-权衡-结果”结构，突出数据流、瓶颈及技术选型依据
• 对于AI落地问题，强调工程可行性，包括成本、时延、幻觉处理等，展示对生产环境的理解
• 对于行业理解问题，结合自身经验，从“痛点分析-技术选型-演进路径”展开
• 请描述你参与过的一个高并发数据管道项目，如何优化性能与稳定性？
• 你如何理解可观测性？在告警降噪场景中，AI与传统规则如何结合？
• 介绍一个你使用大模型+Agent解决实际问题的案例，遇到过什么工程挑战？
• 从架构角度，如何设计一个支持多租户的智能运维平台？
• 你对腾讯云可观测产品的了解？如果让你改进一个功能，你会怎么做？