Site reliability engineer in an AI series platform

Klyp — единая платформа для создания и просмотра AI‑сериалов: авторы создают сериалы с помощью генеративного AI, а зрители их смотрят. Платформа работает под нагрузкой, с асинхронными процессами и большими объёмами данных и рассчитана на глобальный рынок. Наша миссия — объединить авторов и зрителей, предоставив авторам лучший инструмент для генерации видео, а зрителям — максимально релевантные рекомендации. Ищем SRE-инженера в klyp.ai — веб-приложение платформы, в котором автор проходит путь от идеи до готового эпизода: сценарий, сцены, генерация изображений, видео и озвучки, сборка и публикация.

• Ежедневная эксплуатация через административные инструменты: внутреннее DevOps-приложение, админ-панель, Grafana, Loki, ArgoCD, консоли AWS, Cloudflare и MongoDB Atlas
• Разбирать обращения поддержки: найти пользователя, посмотреть его подписку, токены, генерации и медиа, понять, где сломалось, и исправить или передать команде с готовым диагнозом
• Следить за конвейером генерации: зависшие и упавшие задачи, очереди, ретраи, сборка эпизодов; понимать, на каком шаге и почему остановилась генерация
• Работать со сбоями внешних AI‑провайдеров (генерация текста, изображений, видео, озвучки): деградация, таймауты, лимиты, ошибки на их стороне — вовремя замечать и доводить до решения
• Контролировать корректность биллинга: резервирование и списание токенов за генерации, возвраты при сбоях, подписки и оплаты через Stripe (вебхуки, сверка статусов)
• Следить за хранением медиа: загрузка и выдача файлов из Cloudflare R2, сроки хранения, очистка
• Мониторинг и алерты: реагировать на инциденты, доводить их до первопричины, убирать шумные алерты
• Выкатывать и откатывать сервисы по GitOps-процессу, контролировать версии между сервисами
• Бэкапы и восстановление: регулярно проверять, что они реально работают, проводить учения
• Доступы, ротация секретов и токенов (включая ключи AI‑провайдеров и платёжных систем), VPN

• От 2 лет опыта эксплуатации продакшна: SRE, DevOps или сильная техподдержка 2-й/3-й линии
• Уверенные Linux, SQL (PostgreSQL) и kubectl; умение читать логи и метрики
• Kubernetes на уровне диагностики: поды, логи, ресурсы, рестарты и OOM, переменные окружения, раскатки
• Понимание микросервисной архитектуры и асинхронной обработки: очереди, Kafka, ретраи, идемпотентность
• Опыт работы с внешними API: таймауты, лимиты, ретраи, вебхуки
• Базовое понимание Terraform и CI/CD (GitLab CI): читать и вносить небольшие правки
• Аккуратность с продом: сначала проверить, потом менять, и всегда оставлять план отката
• Не боишься продакшна и ответственности
• Доводишь проблему до первопричины, а не до «вроде заработало»
• Умеешь разобраться в сложной системе без полного контекста
• Смотришь на сбой глазами автора: что он потерял — время, токены, результат генерации
• Умеешь задавать правильные вопросы и понятно описывать диагноз для команды
• Будет плюсом: Опыт эксплуатации AI/LLM‑продуктов или сервисов, зависящих от внешних AI‑провайдеров; Опыт с платёжными системами (Stripe) и биллингом; Опыт с MongoDB; Опыт с Kafka и CDC; Опыт с Cloudflare (R2, Workers); Python или bash для скриптов; Умение использовать AI‑инструменты в работе (анализ логов, разбор инцидентов, скрипты и т.п.)

• Инциденты разбираются до первопричины, а не закрываются рестартом
• Изменения в проде — через GitOps и ревью, с планом отката
• Решения обсуждаются, но не затягиваются
• Подробная документация по сервисам: спецификации, модели данных, события
• График 5/2, рабочий день 9 часов по московскому времени
• AI‑продукт, где за каждым действием автора стоит цепочка генераций у внешних провайдеров
• Весь генеративный стек в одном месте: текст, изображения, видео, озвучка
• Современный стек: Kubernetes, GitOps, Kafka, CDC, AWS, Cloudflare
• Минимум бюрократии
• Прямое влияние на продукт и опыт авторов