Site Reliability Engineer (SRE) in AI Series Creation 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. Твоя 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