阿里巴巴
阿里云智能-运维技术专家-AI&MaaS方向-杭州
阿里云智能-运维技术专家-AI&MaaS方向-杭州
发布于 大约 9 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
Aiops
Gpu集群
Llm
Sre
大模型
容灾
监控告警
稳定性保障
值不值得投
75综合评分
综合评分 75
阿里云高级技术专家，前沿技术栈，薪资优厚，但工作强度大。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
55K
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 1680 个在招 · 其中DevOps/SRE 8 个
市场机会
选择适中
杭州 · DevOps/SRE · 15 个在招
职位详情
关于这个职位
作为阿里云智能GOC团队的运维技术专家，你将负责MaaS平台的生产环境稳定性保障，包括GPU集群管理、大模型推理服务的高可用性、故障应急响应与容灾演练等
该职位需要深入理解云原生和AI基础设施，并具备将AI技术应用于运维实践的能力
你将参与双11等大型活动的稳定性保障，与跨部门团队协作，推动稳定性架构治理
最低要求
专业背景：计算机、软件工程、人工智能等相关专业，具备扎实的计算机科学基础，对云计算或 AI 大模型方向有浓厚的兴趣和持续的技术积累
技术栈能力：3 年以上云计算或 AI 基础设施运维、SRE、稳定性保障相关经验
技术栈聚焦以下一个或多个领域：
● 运维技术栈：深入理解 Kubernetes 等云原生基础设施，熟悉监控、告警、变更、容灾等 SRE 工具链，具备存储、网络、数据库等云计算产品运维经验
● AI 技术栈：熟悉大语言模型（LLM）与 Agent 技术，有将其应用于自动化运维、故障诊断或系统分析的实践经验
了解 GPU 集群管理、模型推理服务架构者优先
系统性解决问题能力：具备清晰的分析逻辑与全局思维，能针对复杂系统行为识别潜在风险与异常模式
善于从系统设计与工程机制角度提出创造性的解决思路，推动问题根除与持续改进
沟通协作与结构化表达：具备优秀的沟通能力和结构化表达能力，能主动洞察沟通对象的核心诉求，高效达成共识
能主导跨部门复杂业务协作，推动多方共同完成目标
快速学习与并行执行力：具备快速学习新技术的能力，能敏锐跟踪并吸收 AI、云原生、可观测性等前沿方向的发展
能高效并行处理多项工作，在压力下保持清晰的优先级判断
工作职责
稳定性体系建设与度量：建立并完善 MaaS 平台稳定性规范、标准与流程体系，覆盖健壮性架构、研发质量、发布变更、生产环境运行管理等方面，制定稳定性度量指标并持续度量改进，将稳定性要求贯彻到平台技术研发全链路
故障全生命周期管理：负责 MaaS 平台技术类故障的全流程管理，包括应急响应、协同调度、故障定位、恢复处置与复盘改进
执行值班响应职责，在 SLA 时间内完成对客响应，持续优化故障管理体系的质量与效率
推动稳定性架构治理战役：主导推进 MaaS 平台稳定性架构治理重大战役，包括全栈容灾、变更灰度、应急 1-5-10、资损防控、GPU 故障隔离等，通过技术与管理结合的体系化手段将稳定性风险快速持续收敛
MaaS 运维保障解决方案落地：设计并落地 MaaS 业务的运维保障解决方案，涵盖线上问题管理、全链路监控管理、生产变更管理、故障容灾演练等方向
沉淀运维最佳实践，形成面向云用户的标准运维保障方案，持续优化落地效果
客户活动稳定性保障：主导客户大型活动的稳定性保障工作，包括重要模型发布、业务大促（如双 11）、行业峰会等关键时期的全方位保障，确保客户业务连续运行与体验
优先资格
AI 与 MaaS 实践：有大模型 ACA 认证、MaaS 平台运维或 GPU 集群管理经验，熟悉 LangChain / AutoGen 等 Agent 框架开发
AIOps 经验：有智能运维研究或落地实践，如异常检测、根因分析、智能告警等
ITIL 与多云：有 ITIL 认证及体系化实践，或具备 AWS / Azure / GCP 等云平台稳定性保障经验
项目管理：能独立主导跨部门复杂项目落地，具备项目规划与推进能力
AI 洞察
优缺点分析
优点
- 接触前沿的MaaS和GPU集群技术，技能成长快
- 薪资福利优厚，有股票期权
- 参与双11等大型活动，成就感强
- 技术栈复杂，需要持续学习AI和云原生新技术
- 跨部门协作多，沟通成本高
缺点 / 挑战
- 阿里云是云计算和AI领域的头部企业，平台大，技术挑战高
- 工作强度大，可能需要值班和应急响应，压力大
- 适合有3年以上运维经验，对AI基础设施感兴趣，能承受高压，喜欢技术挑战的工程师
角色解读
- 在阿里云GOC团队，可成长为稳定性领域的专家，负责更大规模的平台
- 有机会向技术管理方向发展，带领团队
- 积累AI基础设施运维经验，成为稀缺的AI运维专家
- 负责MaaS平台生产环境的稳定性，包括GPU集群、模型推理服务的高可用保障
- 主导故障应急响应、定位、恢复和复盘，确保SLA达标
- 推动稳定性架构治理，如容灾、变更灰度、故障隔离等
- 设计并落地运维保障解决方案，支持客户大型活动
- 深入理解Kubernetes等云原生技术，熟悉SRE工具链
- 熟悉大模型和Agent技术，有AI运维实践经验
- 具备系统性解决问题能力和跨部门协作能力
- 快速学习新技术，能并行处理多项任务
申请策略
- 了解阿里云MaaS产品线，准备相关技术方案
- 强调对稳定性的理解和实战经验
- 突出Kubernetes、SRE、监控告警等运维经验
- 强调大模型、GPU集群、AIOps相关项目
- 展示故障处理案例和稳定性提升成果
- 体现跨部门协作和项目管理能力
- 学习大模型推理架构和GPU集群管理
- 熟悉LangChain、AutoGen等Agent框架
面试指南
- 使用STAR法则回答行为问题，突出具体行动和结果
- 技术问题结合项目经验，展示深度和系统性
- 强调数据驱动和量化成果
- 请描述一次你处理过的重大故障，如何定位和恢复？
- 如何设计一个高可用的大模型推理服务架构？
- 你如何利用AI技术进行故障预测或诊断？
- 在跨部门协作中，你如何推动稳定性改进？
- 如何平衡稳定性和快速迭代？
职位点评
薪资福利85
成长发展90
工作生活40
使命价值70
薪资福利
85较高
阿里云提供有竞争力的薪资和福利，作为上市公司，薪酬体系完善，但具体薪资需面议。
薪资信号面议 (40K-70K/月)
成长发展
90较高
职位涉及前沿的AI和云原生技术，有大量学习和成长机会，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈Kubernetes、GPU、LLM、Agent、AIOps
业务类型profit_center
工作生活
40较低
职位要求值班和应急响应，工作强度大，可能影响工作生活平衡，JD未提及弹性工作。
工作模式仅现场办公
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
70中等
阿里云在AI基础设施领域有重要影响力，工作对推动AI应用有积极意义，但JD未明确社会价值导向。
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
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs