腾讯
Agent Infra SRE工程师(Agent治理方向)(深圳/北京)
Agent Infra SRE工程师(Agent治理方向)(深圳/北京)
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
CI/CD
Go
Opentelemetry
Slo/Sli
可观测性
容量管理
值不值得投
薪资怎么样
3.4万
比DevOps/SRE中位数低
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 AgentRuntime 在国内及海外多地域的服务稳定性保障：通过值班响应、故障复盘推动根因治理，建设基于 OpenTelemetry、Prometheus、CLS 的全链路可观测与 SLO 体系，并参与容量管理、灰度发布、可靠性架构优化与 SRE 工具链开发，持续降低人工运维成本
最低要求
年以上 SRE / 运维开发经验，具备线上大规模分布式系统的稳定性保障实战经验
熟悉 Kubernetes，能独立进行集群、Pod、网络、存储的日常运维与故障排查
掌握至少一门编程语言（Go / Python / Shell），能独立开发运维工具和自动化脚本
熟悉 MySQL 运维，具备慢查询分析、索引优化、主从架构、磁盘/连接水位告警处理等实战经验
熟悉可观测体系（Prometheus + Grafana / 链路追踪 / 日志检索），有 SLO 指标体系建设经验
具备良好的故障分析能力，能独立完成从告警触发 → 根因定位 → 修复复盘的完整闭环
工作职责
负责 AgentRuntime 全地域（国内 + 海外）的服务可用性保障，承担日常值班、告警响应、故障定位与复盘，推动故障根因治理与长期改善
建设和完善可观测体系：基于 OpenTelemetry / Prometheus / CLS / 智研平台，覆盖沙箱创建、调度、网络、存储等全链路的 Metrics、Tracing、Logging，驱动 SLO/SLI 指标落地
参与容量管理与资源运营：监控多地域沙箱资源池（CPU/内存/存储）水位，推动弹性扩缩容策略优化，降低资源浪费，保障高峰期服务质量
主导变更管控与发布稳定性：建立灰度发布、回滚、预案机制，结合 CI/CD 流水线推进发布过程风险管控
参与平台可靠性设计：针对 CDB 慢查询、沙箱启动延迟、网络隔离策略等关键瓶颈，联合研发推进架构优化和稳定性加固
负责 SRE 工具链与效能建设：开发故障自愈脚本、巡检工具、容量预测模型，沉淀 SRE 知识库，持续降低人工运维成本
优先资格
有 TKE 或自研 K8s 平台运维经验优先
AI 洞察
优缺点分析
优点
暂无明确优点
缺点 / 挑战
暂无明显挑战项
角色解读
- 处于 AI Agent 基础设施这一新兴方向，涉猎沙箱调度、多地域资源池等前沿场景，技术积累有差异化
- 技术栈主流且体系完整（K8s、OpenTelemetry、Prometheus、CI/CD），可系统性提升可观测与稳定性工程能力
- 岗位同时覆盖值班运维、架构优化与工具开发，工程与架构能力可以双向成长
- 面向国内+海外多地域业务，能积累跨区域大规模系统的实战经验
- 需承担日常值班与告警响应，对突发故障的响应时效和抗压能力有较高要求
- 既要处理一线故障，又要推动研发侧的架构优化，跨团队协作与推动力要求较高
- 同时覆盖 K8s、MySQL、可观测、CI/CD 多个技术面，知识广度压力不小
- 适合有 3 年以上 SRE/运维开发经验、喜欢在大规模分布式系统中钻研稳定性问题，并愿意在 AI 基础设施方向长期积累的工程师
- 沿 SRE/平台工程纵深发展，从单点故障处理走向多地域大规模系统的可靠性架构设计
- 向 AI Agent 基础设施方向延伸，积累沙箱调度、弹性资源池等新兴场景的稀缺经验
- 具备工具链与效能建设成果后，可转向平台技术负责人或 SRE 团队管理方向
- 负责 AgentRuntime 在多地域（国内+海外）的服务可用性，通过日常值班、告警响应、故障定位与复盘保障线上稳定
申请策略
暂无内容
面试指南
暂无内容
腾讯 的其他在招职位
相似职位推荐
Watch Jobs