岗位描述（节选）
1、稳定性治理体系：制定平台与业务两层的 SLO 目标与度量口径；建立容量水位、变更管控、灰度发布与稳定性度量机制；担任业务上线前稳定性评审的把关人，推动线上风险项的收敛闭环；
2、告警与 oncall：在已有监控能力之上建设分级告警体系，设计依赖抑制、聚合去重、静默与防风暴机制；建设告警路由与分发策略，把硬件与平台事件归因为业务可理解的影响面；建设 oncall 响应机制（排班、升级链路、处置留痕、故障演练），沉淀 SOP 与应急预案，并把复盘结论回流为告警规则与巡检项；
3、故障定位与根因分析：负责 P0/P1 故障的定位、根因分析与改进项跟踪，覆盖 GPU 硬件（掉卡、显存异常、降频）、网络互联（通信退化、拥塞）、存储与调度链路；
4、可观测能力的承接与演进：承接平台已建成的可观测底座，负责指标口径的统一定义与治理，实现一处定义、多处消费（大盘 / 告警 / 分析 / 计费）；补齐推……
完整岗位描述与官方投递入口,请登录后在岗位详情页查看。