运维稳定性主任工程师 Operations Stability Staff Engineer(J21207)

稳定性体系构建：主导IT基础设施稳定性管理体系设计与落地，制定覆盖网络、系统、存储、数据中心、中间件、容器平台等全技术栈的稳定性标准和SLO指标体系，制定各工厂稳定性基线并建立稳定性度量与报告机制，推动稳定性治理从被动救火向主动预防转变，建立容量规划、变更管控、风险巡检等常态化机制；

监控与告警优化：主导工厂统一监控指标体系的设计与建设，覆盖数据中心基础设施、网络设备、服务器、存储、中间件、容器平台等，基于Zabbix等监控平台优化监控采集策略、告警阈值与分级，构建智能告警模型以提升告警精准度并降低噪声，建立基础设施事件到业务影响的关联分析能力，实现事件闭环；

故障应急与快速恢复：设计并迭代故障应急响应流程、故障分级标准与复盘机制，建立7×24小时OnCall保障体系，主导重大故障的快速恢复与根因分析，协调跨工厂、跨技术领域资源联合排障，推动运维自动化与自愈能力落地，编写核心系统应急处置预案，定期组织故障演练与技术复盘，沉淀技术知识库；

跨工厂协同与赋能：通过虚拟项目组协调各工厂运维团队，统一稳定性标准与运维规范，推动各工厂稳定性能力对齐，组织故障案例复盘分享、实战演练与技术培训以提升团队故障处置水平，与研发、架构、业务、安全团队建立常态化沟通机制，提前识别系统潜在风险并推动整改；

架构评审与性能优化：参与核心IT基础设施架构评审，从稳定性角度提出高可用改进建议，分析系统瓶颈并对关键系统进行性能调优，跟踪行业技术趋势，主导IT基础设施运维工具链的中长期规划与落地。

教育背景与专业知识：本科及以上学历，计算机、通信或电子信息等相关专业；

专业技能与资格：能使用Shell/Python/Ansible编写自动化运维脚本以提升故障自愈或效率，能基于Zabbix设计监控指标体系与告警模型以完成监控平台优化，能完成Docker/Kubernetes环境运维任务，能应用TCP/IP协议知识独立排查网络与系统联合故障，能应用SRE方法论建立SLO指标体系并组织故障复盘；

行业与专业经验：7年以上IT基础设施运维或稳定性相关工作经验，优先考虑具有半导体制造业IT运维或跨多数据中心稳定性治理经验者；

其他要求：具有将复杂系统问题拆解为具体改进方案的结构化思维能力，具有在高压环境下保持结果导向并主动推进工作的能力，具有对系统稳定性的持续优化意识以保障生产连续性，具有ITIL、PMP或云厂商高级认证者优先。