Инженер по эксплуатации Linux-инфраструктуры / SRE

Мы развиваем большую распределенную инфраструктуру с крупным парком серверов и ищем инженера, который будет отвечать за ее стабильность.
Нам нужен человек, который не ограничивается реакцией на алерты, а умеет докапываться до причин: почему сервис деградировал, почему выросла нагрузка, почему отвалился узел, почему мониторинг заметил проблему слишком поздно. Важно, чтобы тебе было интересно не просто «потушить пожар», а сделать так, чтобы он не повторился.
Входной фильтр
Если ты прочитал вакансию внимательно, начни отклик со слов: Я работал в... — и перечисли компании или проекты, где ты лично отвечал за доступность серверов и участвовал в разборе инцидентов.
Чем предстоит заниматься
Следить за стабильностью инфраструктуры и быстро реагировать на сбои.
Разбирать инциденты: находить первопричины, фиксировать выводы, предлагать изменения.
Развивать мониторинг и алертинг на базе Prometheus, Grafana, VictoriaMetrics или похожего стека.
Настраивать дашборды так, чтобы было видно реальное состояние сервисов, а не только факт, что сервер отвечает на ping.
Искать слабые места в конфигурациях Nginx, Redis, ClickHouse и системных настройках Linux.
Автоматизировать рутинные операции через Ansible; Terraform будет плюсом.
Настраивать health checks, failover-сценарии и механизмы восстановления сервисов.
Участвовать в улучшении процессов эксплуатации: от регламентов до автоматизации повторяющихся задач.
Что важно
Опыт эксплуатации Linux-инфраструктуры от 5 лет.
Опыт работы с production-системами под нагрузкой.
Хорошее понимание Linux: сеть, диски, память, процессы, systemd, логи.
Уверенная работа с Nginx: настройка, оптимизация, диагностика проблем.
Понимание Redis: репликация, отказоустойчивость, базовая диагностика.
Опыт с ClickHouse на уровне базового администрирования и понимания типовых проблем.
Умение строить полезный мониторинг, писать PromQL-запросы и настраивать понятные алерты.
Опыт с Ansible. Terraform будет плюсом.
Умение спокойно и быстро разбираться в инцидентах: сеть, I/O, CPU, RAM, лимиты, конфиги, зависимости между сервисами.
Нам подойдет человек, который
Не боится сложной инфраструктуры.
Любит порядок в мониторинге, конфигурациях и документации.
Умеет объяснить, что произошло, без лишней воды.
После инцидента думает не только «как восстановить», но и «как не допустить повторения».
Готов предлагать улучшения и доводить их до внедрения.
Что предлагаем
Удаленную работу.
Гибкое начало рабочего дня.
Минимум бюрократии и прямое общение с технической командой.
Инфраструктуру, где действительно есть чем заниматься: много серверов, нагрузка, реальные инженерные задачи.
Возможность влиять на технические решения и улучшать систему, а не просто закрывать тикеты.