谷歌SRE圣经重写:AI时代,确定性被抽走之后还剩下什么
来源:InfoQ | 原文链接 | 发布日期:2026-11-18
2016 年,一本蓝色封面的书把「运维」从地下室拽进了工程学科的殿堂。第一版《SRE》用一套冷峻的工程语言宣告传统运维时代的终结,并抛出一个等式:SRE 等于用软件工程师的标准来设计运维团队。书中把日常运维时间硬性封顶在 50%,其余必须投入工程工作;它还系统化地把 SLI、SLO、错误预算、toil 管理和无责事后复盘介绍给外界,为不同组织讨论系统可靠性提供了相对统一的概念与方法。
十年后,这本书被它的作者们亲手推翻——不是修订,而是重写。今年 10 月,谷歌发布了第二版,作者团队明确表示第一版已经过时。过时的原因不是「技术栈更新」这么简单:第一版默认的那个世界,即工程师亲手触碰代码、亲手调试基础设施、在故障现场用肌肉记忆做判断的世界,正在被两层力量同时侵蚀。
第一层是基础设施与平台工程的全面重构。第一版描述的是每个团队自己搭建、运行基础设施的时代;十年后,大量运维工作下沉到平台层,内部开发者平台接管了 provisioning、部署、可观测性配置。静态仪表盘和手动查日志被 OpenTelemetry 与分布式追踪取代,根因定位从人肉 grep 变成系统自动推送;第一版教的「写脚本消灭 Toil」变成声明式基础设施与自愈系统。SRE 不再亲手碰那些东西,他们变成了平台的消费者和设计者。
第二层是 AI 的双向重塑。谷歌把 SRE 与 AI 的关系拆成两个方向。「为 AI 做 SRE」:AI 系统本身给可靠性工程带来新挑战,大规模 GPU 与 TPU 集群的可靠性、网络拓扑的复杂性、非确定性输出的监控、训练与微调管道的稳定运行。模型输出的可靠性尤其棘手:传统 Web 服务出现 5xx 会烧掉错误预算并被监控发现,但一个「自信地给出错误答案」的模型,即使服务运行正常,也可能损害用户信任。
「用 AI 做 SRE」:AI 已经开始参与生产系统的故障诊断与处理,且不再停留于概念验证。Google SRE 团队在用 Gemini CLI 处理真实故障:演示中 Agent 自动拉取告警详情、做因果分析、关联时序数据、推荐缓解方案,SRE 只需输入一句「SGTM(听起来不错),执行重启」即可触发操作。Komodor 的 CTO 说得更直白:大约 30% 的案例,Agent 可以独立解决,人类只收到一个 FYI 通知。
这也是第二版重写的理由:SRE 赖以生存的两个底层假设同时崩塌了。SLO、错误预算、toil 消灭,全部建立在「系统行为可被度量、可被预测、可被人工工程化控制」这一前提上。但现在,对传统系统,SRE 不再亲手操作;对 AI 系统,代码根本不按确定性规则运行。用作者 Niall 的话说,LLM 会产生幻觉,准确率是 99.9% 还是 99.5% 后果天差地别——SRE 赖以存在的确定性正在被抽走。
第二版因此把大量篇幅让给了组织与文化。它引入 Spotify、Microsoft、Etsy、Disney、Waymo 的视角,展示这些公司如何采用 SRE、哪些做法有效、哪些没有;新增「有价值的可靠性」一章,强调 SRE 归根到底是业务职能,需要说明为什么值得投入,否则下一次预算审议就可能被削减;还专门用一章讨论社会技术系统,因为人员管理、团队协作与无责文化,恰恰是成功推行 SRE 的基础条件。
至于给新人的建议,作者 Betsy 的说法没有变:想成为 SRE,仍建议从第一版读起。第二版是第一版的补充,而不是替代品。
本文转载自 InfoQ,原文链接:https://www.infoq.cn/article/draE95cYeLAqhcR3CwIF,版权归原作者所有。