快手
大数据计算引擎SRE工程师
大数据计算引擎SRE工程师
发布于 1 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
Clickhouse
Hdfs
Hudi
大模型
自动化运维
值不值得投
薪资怎么样
4.0万
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 2930 个在招 · 其中DevOps/SRE 7 个
市场机会
选择面较广
北京 · DevOps/SRE · 77 个在招
职位详情
关于这个职位
你将负责快手大规模大数据计算集群（Hive、Spark、Flink、ClickHouse、Doris、Hudi 等）的稳定性建设，通过监控告警、容量治理、变更管理与故障应急，保障数据平台稳定运行
同时要推动 Oncall 问题在系统层面得到解决，并设计自动化运维能力，探索基于大模型和 Agent 的智能运维（AIOps）体系
最低要求
本科及以上学历，具备 3 年以上大规模分布式系统或大数据平台运维经验
深入理解 Linux 操作系统、网络、存储、调度等基础设施原理，具备扎实的故障排查与性能调优能力
熟悉 Hadoop 生态或至少一个主流大数据组件的原理与运维，包括 HDFS、YARN、Hive、Spark、Flink、ClickHouse、Doris、Kafka 等
具备良好的复杂问题分析能力，能够主导跨系统、跨组件故障定位与根因分析
重视规范、文档与复盘，善于把应急经验沉淀为系统能力
能够承担 Oncall 责任，具备较强的抗压能力与跨团队沟通协调能力
熟练使用 AI Coding 工具，独立完成 AIOps 系统的研发
工作职责
负责快手大规模大数据集群与数据平台的稳定性建设，覆盖 Hive、Spark、Flink、ClickHouse、Doris、hudi 等核心组件
建设并迭代平台级稳定性体系，包括监控告警、容量与性能治理、变更管理、故障应急与复盘改进
深入参与日常 Oncall 与故障处置，主导根因分析，推动问题在系统层面收敛而非重复应急
设计并落地自动化运维能力，持续提升巡检、告警处置、故障诊断、应急处置的自动化覆盖率
建设基于大模型的智能运维（AIOps），Agent 驱动的诊断与执行、知识沉淀与能力进化
优先资格
对 AI Agent、大模型应用、自动化运维、AIOps 方向有热情或实践经验者优先
AI 洞察
优缺点分析
优点
- 接触超大规模大数据集群与多引擎（Spark/Flink/ClickHouse/Doris/Hudi）的真实生产场景，技术深度积累快
- 岗位明确包含 AIOps、大模型与 Agent 驱动的智能运维，属于运维领域较前沿的方向，技能不易过时
- 平台级稳定性岗位在数据体系中位置关键，能见度高、跨团队协作面广
- 需要承担 Oncall 责任，故障随时可能发生在非工作时间，对响应速度和抗压能力要求高
- 大规模分布式系统故障往往跨组件、跨团队，定位链条长，排查难度和沟通成本都不低
- 适合有 3 年以上分布式系统或大数据平台运维经验、喜欢深挖系统原理、并且对自动化和 AIOps 有真实兴趣的工程师
缺点 / 挑战
- 强调『把应急经验沉淀为系统能力』，鼓励自动化与工具研发，不只是重复救火
- 既要懂运维又要能写代码、还要懂大模型应用，能力要求复合，上手门槛较高
角色解读
- 纵向可成长为大数据平台/SRE 方向的技术专家，负责更大规模集群与稳定性体系设计
- 横向可转向 AIOps、智能运维平台研发或数据平台架构方向，形成『运维 + 研发 + AI』的复合背景
- 积累跨团队故障指挥与体系建设经验后，也可走技术管理或稳定性负责人路线
- 负责 Hive、Spark、Flink、ClickHouse、Doris、Hudi 等大数据组件的集群稳定性，处理日常 Oncall、故障定位与应急处置
- 搭建并迭代平台级稳定性体系，包括监控告警、容量规划、性能治理、变更管理与复盘改进
- 把重复出现的应急问题转化为系统能力，设计自动化巡检、自动诊断与自动处置流程
- 参与基于大模型与 Agent 的智能运维平台建设，做知识沉淀与运维能力进化
- 扎实的 Linux、网络、存储与调度等基础设施功底，能独立完成故障排查与性能调优
- 熟悉 Hadoop 生态（HDFS/YARN）及至少一种主流大数据引擎的原理和运维实践
- 跨系统、跨组件的根因分析能力，以及把经验沉淀为文档和规范的工程习惯
- 一定的研发能力，能用 AI Coding 工具或脚本独立开发自动化/AIOps 工具
申请策略
- 面试前了解快手数据平台的业务体量（短视频/直播场景下的数据规模与时效要求），便于回答场景题
- 在沟通中主动表达你对『从救火走向系统化治理』的理解，这与 JD 的核心诉求高度一致
- 突出你负责过的集群规模（节点数、数据量、作业量）和稳定性指标（可用性、故障恢复时长、告警收敛率）
- 挑选 1-2 个有代表性的故障排查案例，写清定位思路、根因与最终的系统性改进措施
- 列出熟悉的大数据组件及具体运维实践，如 Spark 调优、Flink 反压处理、ClickHouse 慢查询治理等
- 如有自动化运维、监控体系、AIOps 或大模型 Agent 相关项目，务必单独成段强调
- 补强 HDFS/YARN 与至少一个计算引擎（Spark 或 Flink）的底层原理和调优手段，准备能讲透的细节
- 积累可展示的自动化运维成果，例如用脚本或平台实现巡检、告警自愈、故障诊断闭环
面试指南
- 故障类问题用『现象—影响面—排查路径—根因—短期止血—长期系统改进』的六步结构作答，突出系统性收敛
- 设计类问题先讲目标与指标，再讲分层（采集、告警、响应、复盘）与取舍，最后给出验证方式
- 开放类问题（AIOps）先讲场景痛点，再讲技术方案与边界，最后讲如何评估效果与风险控制
- 描述一次你主导的大规模集群故障排查，如何定位根因并避免复发？
- Spark 或 Flink 作业出现大面积延迟/失败，你会按什么顺序排查？
- 如何设计一套大数据平台的稳定性指标体系与告警策略，避免告警风暴？
- 你做过哪些自动化运维能力？如何衡量它带来的收益？
- 对大模型/Agent 在 AIOps 中的应用你怎么看，会怎么落地？
Watch Jobs