AI Infra SRE 工程师(Agent沙箱)

1.数据面：负责宿主机集群运维：内核、虚拟化栈、轻量虚拟机、容器运行时、版本管理与变更管控、大规模故障处理、机型适配；参与定位宿主机与实例侧疑难问题：虚拟化异常、内核 panic、性能抖动、IO 与网络异常； 2.控制面：负责平台 SLA/SLO 达成：定义并运营可用性、创建成功率、冷启动时延等核心指标，保障调度与控制面组件的可用性、容量规划与性能优化； 3.负责事件/变更/问题管理全流程：故障响应与升级、影响面评估与对外通报、复盘闭环与改进项跟踪； 4.建设全链路可观测体系（指标、日志、拨测、事件），推进运维自动化，沉淀原子工具与标准化 SOP，实现巡检、变更、故障处置等场景的平台化； 5.探索并落地 LLM、AI Agent 技术，结合运维知识库、监控数据与工具调用，建设智能告警分析、故障诊断与自动化处置能力； 6.负责容量与成本优化，联动研发团队推动故障复盘与容灾风险治理，以数据驱动稳定性改进。 1.本科及以上，5年以上云计算 / 虚拟化 / 容器相关运维或研发经验；有大规模集群或控制面运维经验，良好的 oncall 意识与跨团队推动能力； 2.熟悉 KVM / QEMU 虚拟化原理，了解轻量虚拟化或半虚拟化方案（如 MicroVM、Firecracker、Kata、gVisor）； 3.熟悉容器与云原生技术栈：K8s、Docker 原理（调度/网络/存储）、容器运行时、namespace/cgroup、镜像与网络模型； 4.具备系统级性能分析能力（perf / ftrace / eBPF），能独立定位跨内核、虚拟化、网络、存储的复杂问题； 5.精通 Go / Python / Shell 之一，具备开发生产级自动化工具与运维平台的能力，有 LLM / AI Agent 应用开发经验者优先。