Site Reliability Engineer(SRE)

AI-платформа корпоративного уровня — аналог AI Hub. Реализован чат-интерфейс (аналог ChatGPT) и сценарии сбора аналитики по собственным базам знаний (RAG на базе Qdrant) и по открытым источникам в интернете. В качестве LLM используются современные модели, задействован LLM-шлюз с маршрутизацией запросов.

Проект введён в промышленную эксплуатацию: работают реальные пользователи, нагрузка стабилизирована, требования к доступности согласованы.

Технологический стек:

• PostgreSQL — основное хранилище данных

• Kubernetes — оркестрация

• Kafka — обмен событиями

• Redis — кэширование

• S3 (совместимое объектное хранилище) — данные и бэкапы

• Qdrant — векторная база знаний

• Prometheus + Grafana — мониторинг

• OpenSearch — логи

Твои задачи:

• обеспечение доступности и отказоустойчивости платформы в проде: определение и контроль SLO/SLI, дежурства, разбор инцидентов, проведение postmortem

• разработка и сопровождение CI/CD-конвейеров, инфраструктуры как кода (IaC)

• управление Kubernetes: кластеры и версии, admission-контроллеры, network policies, resource limits/requests, HPA, автоскейлинг

• диагностика и оптимизация производительности (CPU / memory / I/O), профилирование нагрузки LLM-инференса

• настройка и развитие наблюдаемости: метрики, логи, трассировки, алертинг, дашборды

• управление секретами и доступом, выполнение требований безопасности

• работа с Kafka, Redis, PostgreSQL и S3: настройка, тюнинг, резервное копирование и восстановление, DR-планы

• участие в архитектурных решениях для новых сервисов платформы.

Мы ожидаем, что у тебя есть:

• 3+ года опыта в SRE / DevOps / платформенной инфраструктуре

• глубокий опыт работы с Kubernetes в промышленной эксплуатации

• PostgreSQL: планирование запросов, индексы, репликация, бэкапы и восстановление

• Kafka, Redis, S3-совместимые объектные хранилища

• CI/CD, Linux, Bash

• мониторинг и логирование: Prometheus / Grafana, OpenSearch, алертинг

• понимание принципов SLO / SLI / Error Budgets

• опыт…