架构级可靠性设计 深入参与公司核心系统的架构评审，从容灾、高可用、弹性伸缩等维度，对现有架构进行逆向分析与重构设计，消除单点故障，保障业务连续性。 SLO 驱动与变更风险管控 主导核心服务的 SLO/SLI 指标体系制定与错误预算策略，用数据驱动稳定性治理，严格控制线上变更风险，在“发布速度”与“系统稳定”之间找到最优解。 全域可观测性体系建设 设计并落地统一的监控、日志、链路追踪 (Metrics/Logging/Tracing) 平台，构建多维度的业务大盘，实现分钟级故障发现和根因定位，让一切线上行为可量化、可追溯。 运维自动化与 IaC 落地 主导基础设施即代码 (IaC) 实践，通过 Terraform、Ansible 等工具管理多云资源。打造智能 CI/CD 流水线，推广灰度、蓝绿、金丝雀等安全发布模式，提升部署效率的同时将回滚时间压缩到秒级。 故障应急与深度复盘 以技术骨干身份参与 On-Call 轮值，在重大线上故障中担当总指挥，快速隔离、降级与恢复。事后进行彻底的根因分析，以“故障驱动改进”的方式，推动系统薄弱环节的根治，完成改进闭环。 容量规划与成本控制 结合业务增长趋势与全链路压测，进行精准的容量预估与资源调控。优化云原生环境下的资源利用率，平衡稳定性与成本，实现降本增效。 技术赋能与规范化 制定并推广稳定性标准规范，通过技术分享、Code Review 等方式提升团队整体工程能力，用自动化工具替代人工操作，根治“重复性手工作业”带来的风险。

必备经验 8 年以上 SRE、DevOps 或大规模系统运维相关领域工作经验，具备扎实的线上实战功底。 2 年以上 本行业或相关行业（如互联网、金融科技、云计算等）的运维经验，深刻理解行业级业务的实时性与稳定性要求，对高并发、强一致性场景有深入认知。 技术硬实力 精通 Linux 内核原理与系统调优，具备操作系统级排障能力。 至少精通一门编程语言 (Python/Go/Java)，有实际的运维工具或自动化平台开发经验，代码能力绝非停留在“写脚本”层面。 精通 Kubernetes 及 Docker 生态，有管理百节点以上生产集群的经验，熟悉 Service Mesh 架构者优先。 熟练使用至少一家主流云厂商 (AWS/Azure/阿里云/腾讯云) 的 PaaS、IaaS 产品，对多云架构有落地经验。 对可观测性工具体系有深入理解，能基于 Prometheus、ELK、Grafana、OpenTelemetry 等快速搭建或优化监控告警体系。 软技能 在面对复杂、突发的线上问题时，能保持极度冷静，逻辑清晰地划定止损边界。 极强的跨团队沟通和项目推动能力，擅长用数据和案例说服研发团队配合稳定性改造。 有技术文档沉淀意识，习惯将解决方案标准化、体系化。