Senior Staff Site Reliability Engineer

What You'll Do

• Участвуйте в ротации дежурств, используя runbooks и playbooks для диагностики и устранения проблем в продакшене (например, корректируя правила Horizontal Pod Autoscaler в ответ на нагрузку).
• Разрабатывайте, создавайте и поддерживайте дашборды наблюдаемости и оповещения, основанные на Service Level Indicators (SLIs) и Service Level Objectives (SLOs).
• Эксплуатируйте и улучшайте нашу вычислительную платформу на основе Kubernetes, которая обслуживает большую часть нашей инфраструктуры.
• Работайте с облачными сетями и инфраструктурой (Azure/AWS), поддерживая надёжные, масштабируемые системы.
• Исследуйте и устраняйте инциденты в продакшене, включая анализ первопричин и последующие работы по исправлению.
• Используйте инструменты инженерии с поддержкой ИИ (Claude Code, GitHub Copilot, MCP-based agents). Развивайте навыки SRE для автоматизации расследований, выпуска исправлений в инфраструктуре и репозиториях приложений.
• Определяйте нефункциональные требования — масштабируемость, доступность, производительность — для новых систем на этапе их проектирования.
• Сотрудничайте с командами продуктовой инженерии для обзора архитектурных и инфраструктурных решений до их выпуска.
• Продвигайте внедрение лучших практик надёжности и наблюдаемости в инженерных командах.
• Создавайте и поддерживайте автоматизацию, снижающую ручную, повторяющуюся операционную работу в команде.
• Пишите и поддерживайте runbooks и документацию, чтобы знания дежурств были доступны всей команде, а не сосредоточены у одного человека.
• Вносите вклад в CI/CD пайплайны и помогайте командам безопасно и быстро выпускать изменения.

What You'll Bring

• Kubernetes (обязательно): глубокое практическое понимание Kubernetes как системы.
• Принципы SRE: практический опыт работы с SLIs, SLOs и error budgets — способность рассказать, как вы определяли и мониторили их в реальных системах, а не только в теории.
• Облачная инженерия и сетевые технологии: прочные знания AWS, GCP или Azure, включая основы сетей (subnetting, IP addressing).
• Наблюдаемость: глубокий опыт работы хотя бы с одним современным стеком наблюдаемости (OpenTelemetry, Prometheus, Grafana, Datadog или Elasticsearch) и способность переносить эти знания между инструментами.
• CI/CD: хорошее понимание CI/CD системы (предпочтительно GitHub Actions, но опыт с TeamCity, Azure DevOps или GitLab CI также приемлем).
• Опыт создания веб‑приложений на стеке .NET, Python (Flask, FastAPI) или Java (Spring), развернутых в масштабе.
• Базовый опыт поддержки распределённых систем и их типичных режимов отказов (retry storms, timeouts, cascading failures) в масштабе.
• Опыт работы с инцидентами в живой эксплуатации, навыки устранения проблем — уверенно диагностировать проблемы под давлением, с доказанным умением повышать планку и улучшать TTx SLA.
• Опыт работы с AI‑инструментами (создание навыков SRE, агентов анализа первопричин, развернутых в продакшн‑системах и т.д.) обязателен.
• 10+ лет релевантного практического опыта.