SRE-инженер AI-платформы

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.

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. Зона ответственности — чтобы этот путь не ломался: генерации доходили до результата, токены и подписки списывались корректно, а обращения авторов разбирались быстро и до первопричины.

Чем предстоит заниматься

• 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

Технический стек

• AWS (EKS, Aurora PostgreSQL, MSK/Kafka, SQS, Cognito, S3, MediaConvert)
• Cloudflare (R2, Workers, CDN)
• MongoDB Atlas, Redis, ClickHouse
• Микросервисы на Kotlin + Spring Boot с gRPC, BFF-слой для веб-приложения
• Событийная интеграция через outbox и Debezium CDC
• Kubernetes, ArgoCD (GitOps), GitLab CI, Terraform
• Grafana, Loki, OpenTelemetry
• Внешние AI-провайдеры генерации текста, изображений, видео и озвучки (OpenAI, Anthropic, Gemini, Veo, Kling, Seedance, ElevenLabs и др.)
• Stripe

Требования

Обязательные

• 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

Будет большим 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.)

Как мы работаем

• 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

Что важно в подходе

• 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

Почему это интересно

• 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