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