思特沃克
Senior Service Reliability Engineer
Senior Service Reliability Engineer
发布于 5 个月前普通员工/个人贡献者
Singapore, Singapore
高级经验
全职员工
仅现场办公
学历未注明
系统与安全工程
CI/CD
可观测性
混沌工程
自动化
SRE
AI 估算 · 45k–75k
高级SRE岗位在新加坡市场需求旺盛，要求掌握Ansible、云平台、K8s等复杂技能，且需承担7x24待命职责，薪资竞争力强。
职位详情
关于这个职位
作为思特沃克DAMO服务线的高级服务可靠性工程师，您将负责确保基础设施领域的技术卓越和运营效率
您将专注于系统可靠性、弹性和性能，通过自动化、监控和事件响应，推动从传统运维向以客户为中心的敏捷模式转型
您将负责SRE成熟度评估、自动化解决方案设计、生产事件处理以及系统可观测性改进等工作
最低要求
技术技能：
精通Ansible编排，包括高级策略、故障逻辑处理和Jinja2模板
能够将Terraform与Ansible集成，实现从资源供应到配置的无缝工作流
具备Python、Go、Bash或PowerShell脚本的实践经验
至少熟悉一种公有云（AWS/Azure/GCP）
具备可观测性工具（如Grafana, Datadog, NewRelic, ELK, Dynatrace等）的使用经验，并能利用数据进行根因分析
熟悉DevOps、SRE和GitOps的概念和实践
了解容器技术和编排工具（如Kubernetes, EKS, Docker Swarm, Nomad等）
理解现代架构（微服务、无服务器、NoSQL、REST API），并有调试和构建指标/仪表板的经验
具备根据云架构良好设计原则（可靠性、安全性、成本、性能、运维）设计基础设施的经验
专业能力：
能够通过研讨会和知识赋能指导团队成员
能够创建全面的文档和操作手册
具备出色的英语沟通和表达能力
具备与客户和跨职能团队强大的协作和谈判能力
具备坚韧的问题解决心态，调试问题时不会轻易放弃
能够在高压的生产事件中保持冷静和镇定
能够基于强有力的技术推理提出改进建议
能够理解业务和技术需求，并将其分解为可交付成果
具备强烈的责任心和意愿，愿意承担超出严格角色边界的责任
愿意参与轮班制或按需的7x24小时待命支持
其他要求：
候选人必须是新加坡公民或已持有新加坡永久居民身份
工作职责
进行SRE和灾难恢复成熟度评估
使用Ansible设计自动化解决方案以替代手动工作流程
负责并管理当前手动的灾难恢复流程/流水线
通过增强容错能力和降低平均恢复时间/平均检测时间的机制和架构来提高站点可靠性
推动将可观测性自动化集成到CI/CD流水线中
处理生产事件，主导客户沟通，并创建根因分析文档
监控生产系统性能并改进扩展能力以满足SLA和SLO目标
与应用开发团队紧密合作，建议并实施可靠性改进
改进跨日志、指标和告警的系统可观测性，减少误报以消除不必要的重复劳动，提高整体流程效率，同时实施混沌工程实践以定期验证系统可靠性
清晰理解客户目标和业务需求，根据业务期望（包括在需要时实现99.999%的高可用性目标且中断最小或无中断）设定站点可靠性的方向
AI 洞察
优缺点分析
优点
- 平台优势：在Thoughtworks这样的全球领先技术咨询公司工作，能接触各行业顶尖客户的复杂项目，技术视野和行业经验积累快
- 技能前沿性：岗位深度涉及SRE最佳实践、混沌工程、云原生架构和自动化，是构建和运维现代化、高可用系统的核心技能，市场价值高
- 职业文化：公司强调持续学习和个人发展，拥有支持性的同事文化和多种发展项目，有利于长期职业成长
- 工作性质：DAMO部门专注于主动改进和持续演进，而非被动救火，工作更有创造性和前瞻性
- 技术复杂度：需要同时精通自动化、云平台、容器、可观测性等多个技术栈，并理解业务需求，学习曲线陡峭，知识更新快
- 此职位适合拥有多年运维或开发背景，对系统稳定性和自动化有强烈热情，追求技术深度，并具备优秀问题解决能力和沟通技巧的资深工程师
缺点 / 挑战
- 工作压力：需要处理生产紧急事件，并参与7x24待命支持，工作节奏可能紧张，对应急能力和心理素质要求高
- 沟通协调：作为客户与内部开发团队的桥梁，需要出色的沟通和谈判技巧来推动可靠性改进，协调多方利益可能具有挑战性
角色解读
- 技术深度上，可以从自动化专家、云架构师向更资深的可靠性架构师或技术专家（如Principal SRE）发展，专注于复杂系统设计
- 职业广度上，可转向技术管理岗位（如SRE团队负责人、工程经理），或向解决方案架构、技术咨询等更贴近业务和客户的方向拓展
- 行业影响力上，随着对混沌工程、FinOps（云成本优化）等前沿实践的深入，有机会成为该领域的意见领袖或内部布道师
- 您将负责评估和提升SRE及灾难恢复流程的成熟度，使用Ansible等工具将手动操作自动化，并管理整个灾难恢复流水线
- 您需要处理生产环境中的突发事件，进行根因分析，并与客户及内部团队沟通，确保系统高可用性（如99.999%）
- 您将推动可观测性工具（如Grafana, Datadog）与CI/CD流程的集成，监控系统性能，并通过实施混沌工程来主动验证系统韧性
- 您将与开发团队紧密合作，提供可靠性改进建议，并设计符合云架构良好设计原则的基础设施解决方案
- 您需要精通基础设施即代码工具，特别是Ansible（含高级功能）和Terraform，并能将它们集成以自动化工作流
- 您必须具备扎实的脚本能力（Python/Go/Bash等），并至少熟悉一个主流公有云平台（AWS/Azure/GCP）的服务和运维
- 您需要深入理解SRE和DevOps理念，掌握容器编排（如Kubernetes）、现代应用架构，并能熟练使用各类可观测性工具进行问题诊断
- 除了技术硬技能，出色的英语沟通、文档编写、在高压下解决问题以及指导团队成员的能力也至关重要
申请策略
- 深入了解Thoughtworks和DAMO部门的理念，在申请材料或面试中表达对其“持续演进”、“非凡影响力”等价值观的认同
- 准备讨论您如何平衡自动化投资与业务需求，以及您对“共享责任”和“培养协作文化”在SRE团队中实践的理解
- 重点展示您使用Ansible、Terraform实现复杂基础设施自动化的具体项目，量化成果（如效率提升百分比、MTTR降低）
- 详细描述您处理过的重大生产事故案例，突出您在根因分析、应急响应、与客户沟通以及实施长效改进措施方面的角色和贡献
- 强调您在公有云上设计、部署或运维高可用系统的经验，特别是与SLO/SLA设定和达成相关的实践
- 列出您熟练使用的可观测性工具栈（如ELK, Prometheus, Grafana）以及通过它们发现并解决系统问题的实例
- 如果对混沌工程实践不熟悉，可以提前学习相关理论，并尝试在个人实验环境或沙箱中模拟故障注入，理解其对系统韧性的验证价值
- 深化对至少一个公有云（尤其是AWS）高级服务的理解，特别是与可靠性、成本优化（Well-Architected Framework）相关的服务
面试指南
- 对于行为或情景类问题（如处理故障），建议使用STAR法则（Situation, Task, Action, Result）来结构化回答，重点突出您的具体行动、技术决策和最终的业务影响
- 对于技术设计类问题，先从理解业务需求和约束条件开始，然后分层阐述您的架构选择（如区域冗余、自动化故障转移、监控告警策略），并解释每个选择如何满足可靠性、成本等目标
- 在回答中，不仅要展示技术能力，还要体现您的协作精神、客户导向的思维以及对持续改进的承诺，这与岗位要求的软技能高度契合
- 请描述一个您使用Ansible解决的最复杂的自动化场景，遇到了什么挑战，您是如何处理的？
- 请分享一次您主导处理的生产环境严重故障的经历
- 您是如何进行根因分析、与利益相关者沟通并确保问题不再发生的？
- 您如何为一个关键业务服务定义和监控SLO？如果SLO面临被违反的风险，您会采取哪些步骤？
- 请解释您将如何设计一个在云上具备高可用性和灾难恢复能力的微服务架构
职位点评
Watch Jobs