Stratus 是一家专注于现代化财产与意外保险公司及总代理运营的 B2B 技术与咨询公司。其团队帮助企业替换或优化传统核心系统，实施 Guidewire 和 Insurity 平台，规划并执行 Azure 云迁移，并构建更完善的数据战略与治理体系。Stratus 还提供人工智能就绪支持、应用维护、质量保障、平台选型，以及通过按需人才团队提供嵌入式 IT 交付服务。公司将保险领域专业知识与务实的技术转型相结合，帮助客户提升分析能力、简化运营流程，并更高效地将新产品推向市场。
高级网站可靠性工程师 - 美国境内远程办公
负责 Stratus 可靠性运营的高级网站可靠性工程师，Stratus 的软件致力于将机电管道暖通承包商的工作流程数字化。该职位涵盖 Azure 生产系统中的服务级别目标、可观测性、事件响应和性能工程。
描述
- 负责面向客户服务的服务级别指标、目标和错误预算
- 构建测量管道，根据既定目标报告可用性和延迟
- 通过检测标准、仪表板和可执行告警管理生产环境的可观测性
- 运营 Azure AKS、Prometheus、Loki、Tempo、Grafana、Istio 和 Flux 上的可观测性工具
- 建立事件响应机制，涵盖值班轮换、寻呼、严重性、责任归属、升级和无责复盘
- 制定回滚和恢复标准，并通过定期演练进行验证
- 通过查询和索引调优、连接池容量规划、容量建模及优雅降级设计，引领性能与容量工程
- 与团队合作开展 k6 负载、压力、突发和浸泡测试
- 定义基于服务级别目标的端点延迟阈值，并将测试结果用作交付门禁
- 主导生产就绪评审，涵盖检测、告警、故障模式、资源限制和回滚计划
- 跟进复盘整改，直至生产变更得到验证
- 支持业务连续性和灾难恢复规划，包括备份与恢复验证、故障转移设计和恢复目标
- 指导工程团队完成其服务的检测与运营
- 创建工具、自动化方案、检测库并修复生产代码
- 跨工程小组、平台与安全团队以及面向客户的团队开展协作
- 向平台工程高级总监汇报
任职要求
- 至少六年专业工程经验
- 在 B2B SaaS 公司担任专职 SRE 或生产工程岗位三年或以上
- 拥有生产环境服务级别目标和错误预算的实际负责经验
- 具备 Prometheus、Loki、Tempo、Grafana 或同类工具的高级实践经验
- 具备担任重大事件事件指挥官的实际经验
- 具备从零建立值班和升级流程的经验
- 具备扎实的数据库性能专业知识，包括查询分析、索引设计、连接池以及负载下的饱和度诊断
- 有 MongoDB 经验者优先；具备文档型或关系型数据库同等深度的经验亦可
- 具备生产环境 Kubernetes 经验，有 AKS 经验者优先
- 能够排查 Pod 调度、资源限制、网络和服务网格行为问题；有 Istio 经验者优先
- 精通 Go、Python、C# 或 TypeScript 中至少一种语言
- 能够熟练使用 C#/.NET 代码库开展工作
- 具备使用 k6、JMeter 或 Gatling 等负载和性能工具的经验
- 具备 Azure 或 AWS 生产环境经验，并了解托管服务的故障模式
- 熟悉 AI 辅助工程工具，并具备设计 AI 工作流的经验
- 具备出色的书面沟通能力，能够撰写复盘、运行手册和可靠性报告
- 在压力下具备良好判断力并保持冷静
- 有建立或发展成熟 SRE 实践经验者优先
- 有 Sentry 或同类应用错误监控平台经验者优先
- 有运营事件驱动和实时系统经验者优先
- 有大规模生产环境运行 MongoDB Atlas 的经验者优先
- 有 Temporal 等持久化工作流编排平台经验者优先
- 有多区域或多可用区架构及灾难恢复设计背景者优先
- 有 incident.io、PagerDuty 或同类事件管理平台经验者优先
- 熟悉 DORA 指标，并有在 SOC 2 或 NIST 800-171 环境中开展可靠性工作的经验者优先
- 有提升传统单体应用可靠性的经验者优先
- 对 MEP、BIM、AEC 或建筑技术感兴趣者优先
- 有 B 轮或成长期公司工作经验者优先
福利待遇
- 全面且具有竞争力的健康福利
- 提供 401(k) 雇主匹配缴款
- 每年二十天带薪休假
- 主要采用远程工作安排
- 每年偶尔举办团队现场活动