
高级站点可靠性工程师(SRE)
负责 Clinicorp GCP 基础设施的可靠性、可观测性与效率提升。 为医疗、美容及健康诊所管理系统提供生产环境支持。
描述
- 保障各项服务的韧性、可扩展性和运营效率,尤其关注 Node.js 应用。
- 持续改进基础设施并自动化运维流程。
- 建立可观测性实践,并与开发团队合作提升生产环境可靠性。
- 负责 Clinicorp 的 GCP 基础设施平台,包括 GKE、Cloud SQL、网络、IAM 以及多个项目和环境。
- 与产品团队共同为关键服务制定并完善 SLO 和 SLI。
- 主导事件响应,组织值班运作,协调重大事件处理,开展事后复盘并跟进后续行动。
- 使用 Prometheus、Grafana、Loki、Tempo 和 OpenTelemetry 构建并改进可观测性技术栈。
- 使用 Terraform 管理基础设施即代码,并通过 GitHub Actions 和 Argo CD GitOps 管理交付工作流。
- 运维托管数据库,负责备份、高可用性、升级、性能调优和容量规划。
- 通过资源分析、自动扩缩容和缓存,帮助开发团队提升 Node.js 性能。
- 主导 FinOps 工作,包括成本分摊、资源规格优化、用量承诺和云预算监控。
- 通过访问控制、密钥管理和 LGPD 实践维护基础设施安全与合规性。
- 制定灾难恢复计划并定期测试恢复策略。
任职要求
- 计算机科学、软件工程或相关专业学历,或具备同等经验。
- 拥有丰富的 SRE、DevOps 或平台工程经验,并曾在关键生产环境中担任技术领导。
- 具备高级生产环境 Kubernetes 经验,最好熟悉 GKE,包括集群管理、升级、自动扩缩容和工作负载调优。
- 具备 Google Cloud Platform 使用经验,包括 IAM、VPC、负载均衡、Cloud SQL 和托管服务。
- 熟练使用 Terraform 管理基础设施即代码。
- 具备 CI/CD 和 GitOps 工具使用经验,例如 GitHub Actions 和 Argo CD。
- 拥有扎实的可观测性经验,熟悉 Prometheus、Grafana、Loki、OpenTelemetry 和分布式追踪。
- 具备制定 SLO 和 SLI,以及处理重大事件和开展事后复盘的经验。
- 具备 PostgreSQL 运维与调优经验,包括查询分析、复制、备份和恢复。
- 了解 Node.js 和 Python 运行时,能够诊断生产环境中的性能、内存和并发问题。
- 具备扎实的网络基础知识,包括 DNS、TLS、负载均衡和 VPN。
- 深入了解基础设施安全,包括访问与密钥管理以及系统加固。
- 具备 FinOps 和云成本管理经验。
- 能够使用 Go、Python 或 Bash 编写自动化程序。
- 具备生产级 Linux 故障排查能力。
- 具备技术领导经验,包括路线图规划、决策记录和指导他人。
- 具备工作所需的技术英语能力。
- 主动负责并解决关键问题。
- 能够与多学科团队协作。
- 分析能力强,能够识别并降低运营风险。
- 能够与技术和非技术同事清晰沟通。
- 持续学习并分享知识。
- 优先条件:具备 Redis 或 CDN 缓存经验;熟悉 Pub/Sub、RabbitMQ 或 Kafka 队列及异步事件;熟悉 NoSQL 数据库;了解医疗数据相关的 LGPD 要求;持有 CKA、CKAD、CKS 或云认证;具备混沌工程和韧性测试经验;参与开源贡献或 SRE、DevOps 活动。
福利待遇
- 远程办公。
- 拥有尝试、创新和开发解决方案的自主空间。
- 与开发、DevOps、安全和 FinOps 专业人员协作。
- 获得职业发展和人才成长机会。
- 提供导师指导和知识分享计划。





