Agent Infra SRE工程师(Agent治理方向)(深圳/北京)

1.负责 AgentRuntime 全地域（国内 + 海外）的服务可用性保障，承担日常值班、告警响应、故障定位与复盘，推动故障根因治理与长期改善；
2.建设和完善可观测体系：基于 OpenTelemetry / Prometheus / CLS / 智研平台，覆盖沙箱创建、调度、网络、存储等全链路的 Metrics、Tracing、Logging，驱动 SLO/SLI 指标落地；
3.参与容量管理与资源运营：监控多地域沙箱资源池（CPU/内存/存储）水位，推动弹性扩缩容策略优化，降低资源浪费，保障高峰期服务质量；
4.主导变更管控与发布稳定性：建立灰度发布、回滚、预案机制，结合 CI/CD 流水线推进发布过程风险管控；
5.参与平台可靠性设计：针对 CDB 慢查询、沙箱启动延迟、网络隔离策略等关键瓶颈，联合研发推进架构优化和稳定性加固；
6.负责 SRE 工具链与效能建设：开发故障自愈脚本、巡检工具、容量预测模型，沉淀 SRE 知识库，持续降低人工运维成本。

Experience
> 3 years of working experience