MaaS-SRE / DevOps 工程师

优缺点分析

角色解读

• 纵向可向平台工程（Platform Engineering）负责人、SRE 技术专家方向发展，主导大规模 GPU/异构集群与稳定性体系设计
• 横向可延伸至云原生架构师、AI 基础设施（训练/推理平台）工程方向，这是当前稀缺度较高的赛道
• 在 MaaS 这类对外服务场景中积累的稳定性与成本治理经验，未来在云厂商、AI 公司之间通用性较强
• 负责 MaaS 平台底层 Kubernetes 集群的建设、日常运维与持续优化，保障对外大模型服务的稳定性和安全性
• 建设监控、告警、日志、链路追踪等可观测性体系，制定告警分级与应急响应机制
• 搭建 DevOps 平台与 CI/CD 发布流水线，支持灰度、滚动发布与自动回滚
• 参与线上故障应急、根因分析与复盘，并推动容量、性能和高可用架构的持续治理
• 扎实的 Linux 与网络基础（TCP/IP、HTTP、DNS、TLS），以及生产环境 Kubernetes/Docker 的运维排障能力
• 至少熟练一门开发语言（Go/Python/Bash），能自己写自动化工具或平台，而不只是使用现成工具
• 熟悉 Prometheus、Grafana、Loki、ELK 等可观测性栈，并能设计监控规范与告警分级
• 掌握 GitLab CI / Argo CD / Tekton 等交付链路，以及 Helm、Kustomize、Terraform、Ansible 等基础设施自动化工具

申请策略

• 智谱是国产大模型公司，MaaS 是直接对外的商业化服务，面试中可主动了解其模型 API 的调用规模与稳定性目标，体现业务理解
• 投递前务必与 HR 确认实际办公城市与是否需要值班轮岗
• 重点写清生产环境 Kubernetes 集群的规模、节点数与承载业务量，以及你实际解决过的典型故障案例（现象—定位—根因—改进）
• 量化 DevOps 平台与 CI/CD 建设成果，例如发布频率提升、回滚耗时缩短、告警噪声下降等指标
• 突出至少一门语言的工具/平台开发经历（Operator、Controller、自动化脚本框架），而非只列工具名
• 如有 GPU 集群、推理服务、多云环境经验，单独成段强调
• 补齐 Kubernetes Operator / CRD 开发能力，这是 JD 明确加分项，也能体现平台工程能力
• 系统梳理可观测性体系设计（SLI/SLO、告警分级、链路追踪落地），准备一套可讲述的方法论而不只是工具列表

面试指南

• 故障类问题用 STAR + 时间线结构：故障现象与影响面 → 排查路径与关键证据（日志/指标/链路）→ 根因 → 短期止损与长期改进闭环，务必落到可验证的改进项
• 设计类问题先讲目标（SLI/SLO 与业务分级），再讲分层（基础设施层/平台层/应用层指标），最后讲机制（告警分级、值班、复盘流程），体现体系化思维而非工具堆砌
• 平台/工具类问题强调「为什么自研」：原有方案的痛点、你的设计取舍、上线后的量化收益
• 请讲一次你处理过的 Kubernetes 生产故障，如何定位、根因是什么、之后做了哪些改进？
• 如果让你从零设计一套 MaaS 服务的可观测性体系，你会如何划分监控指标、告警分级和应急响应流程？
• 你们现有的 CI/CD 流水线是怎样的？灰度发布和自动回滚是如何实现的？
• 百节点以上集群的容量规划、资源超卖与成本优化你会怎么做？
• 你有没有写过 Operator 或运维平台？解决了什么具体问题？