运维工程师

交代规模：机器/集群数量、K8s 节点数与 Pod 规模、服务数量、团队分工（你负责的边界）。讲体系：部署（发布频率与方式）、监控（覆盖率、告警有效性）、应急（oncall 轮值、MTTR 数据）、成本（资源利用率治理）。SRE 岗的核心叙事是「用工程手段减少人肉」：自动化率、故障率趋势、SLO 达成率这些数字比「很稳定」有说服力。

循环：describe pod 看事件（镜像拉取失败/探针失败/OOMKilled/配置缺失）→logs 看容器退出原因（--previous 看上一次崩溃日志）→exec 进容器（起来了但探针挂的情况）区分 liveness 与 readiness 语义。高频根因：应用启动慢于探针阈值（调 initialDelaySeconds）、依赖未就绪（DB 连不上）、OOM（limits 与 JVM 容器内存不匹配）、配置错误（ConfigMap 挂载路径）。展示分层排查思路而非背命令，最后补一句预防（探针设计规范、启动自检）。

原则：告警必须可行动——每条告警都对应明确的处理动作，没有 runbook 的告警是噪音。分层：P0 按服务维度聚合（SLI 动态阈值：错误率/延迟烧损率），低层指标（CPU、磁盘）降级为 dashboard 或趋势通知；收敛与抑制（同因告警聚合、维护窗口静默、依赖传播上游告警时抑制下游）；分级路由（P0 电话、P2 工单）。度量告警体系本身：每人每周接收量、告警的 actionable 比例、误报率，定期清理。SRE 的告警观是面试高频区分点。

快：流水线自动化（构建-测试-部署全链路）、制品晋级（一次构建多环境推广）、配置与代码分离。稳：灰度策略（金丝雀/按流量与按实例、自动化指标门禁——灰度期间错误率对比自动决定推进或回滚）、可逆性（一键回滚到上一制品、数据库变更前向兼容）、爆炸半径控制（分批、暂停点）。展示对「部署是最大变更来源」的认知：发布频率与稳定性的正相关（小步快跑降低每次风险），以及你落地过的具体机制。

STAR 但重点是时间线叙事：T0 发现（渠道）、T+5min 止损决策（什么级别的降级/回滚/扩容，谁拍的板）、T+30 恢复、事后根因（技术根因+流程根因）、改进项（落地了什么，复查机制）。亮点要素：冷静的决策优先级（先恢复后溯源）、沟通同步（业务通报节奏）、跨团队协调。如果故障是你引起的更要坦诚讲（都有过），重点是当时的处置与之后的系统性改进——这比「我从没引发过故障」可信。