AI SRE 范式
🎯 定义
AI SRE（AI Site Reliability Engineering） = 用 LLM Agent 把传统 SRE 实践（事件响应 / 根因分析 / postmortem）自动化、规模化、24×7 化。
与 AIOps 互补（不替代）：
- AIOps：事前去噪（告警聚类）
- AI SRE：事后调查（根因 + 补救）
📈 5 大转变（vs 传统 SRE）
来自 85-AI-SRE-2026-Guide-Augment-Code：
| # | 维度 | 传统 SRE | AI SRE |
|---|---|---|---|
| 1 | 响应模式 | 告警 → 人 on-call | 告警 → Agent 自动调查 |
| 2 | MTTR | 30-90 分钟 | 5-10 分钟（减 70-80%） |
| 3 | 推理能力 | 单点 + 人工切 5 个 tab | 跨系统单 context 关联 |
| 4 | 修复 | 人工 rollback | 高置信低风险自主修复，人审高风险 |
| 5 | Postmortem | 人工写 1-2 天 | Agent 自动起草，人编辑 |
🏗️ 标准 5 Agent 架构
来源：97-Middleware-OpsAI-AI-SRE-Agent + 93-大型集团IT运维智能体平台详细设计方案
- Observer Agent — 监听 PagerDuty/Opsgenie 告警流
- Investigation Agent — ReAct 循环并行调用 LogQL/PromQL/deploy API
- Reasoning Agent — 证据合成 → 根因假设 + 置信度
- Action Agent — HITL 审批 → 执行（rollback/scale/config 变更）
- Reporter Agent — Markdown postmortem + 更新 Jira/Linear
📊 生产实证
| 案例 | MTTR | 来源 |
|---|---|---|
| iFood（Datadog Bits AI SRE） | -70% | 85-AI-SRE-2026-Guide-Augment-Code |
| American Express（Traversal） | -32%，准确率 82% | 85-AI-SRE-2026-Guide-Augment-Code |
| Datadog 内部 | 调查快 2x | 85-AI-SRE-2026-Guide-Augment-Code |
| Middleware OpsAI 客户 | -70%，告警到根因 5 分钟 | 97-Middleware-OpsAI-AI-SRE-Agent |
🚨 反共识：失败模式
反共识 1：失败源于架构，不是模型能力
来源：80-Why-AI-Agents-Fail-at-Cloud-RCA-arXiv
- 1675 次 Agent 运行实证 → 12 种 pitfall
- Prompt 优化救不了
- 加强 inter-agent 通信能降 15%
反共识 2：学术 benchmark ≠ 真实生产
来源：84-LATS-RCA-Language-Agent-Tree-Search-arXiv
- LO2 基准 91.3% → 真实生产 仅 65.1%
- 真实世界：多因素根因 / 规模复杂度 / 不完整可观测性
反共识 3：AI 优势其实是反直觉的
- 不被自己代码束缚
- 凌晨 3 点和白天表现一致（不疲劳）
- 可并行 evaluate 多条假设（人脑串行）
🛠️ 2026 工具栈
开源
商业
- Datadog-Bits-AI-SRE — 企业级旗舰
- Middleware-OpsAI — 中端轻量
- Resolve.ai / Traversal / PagerDuty SRE Agent
底层
- OpenTelemetry / MCP-Model-Context-Protocol
- Gemini / Claude / GPT
- Google-ADK / LangGraph / AutoGen
✅ 采用路线（4 步）
来自 85-AI-SRE-2026-Guide-Augment-Code：
- 选范围：高频低风险事件（不是最复杂的）
- 集成工具链：observability + ticketing + chat
- 评估准确率：在过去事件 backlog 上回测
- 扩到自主修复：先建议，后执行
🚧 4 大陷阱
| 陷阱 | 后果 |
|---|---|
| 没上游降噪就买 AI SRE | LLM 推理成本烧在假阳性上 |
| 不带可解释性的 Agent | 不能信任做 prod 变更 |
| 跳过评估直接上 prod | 用户当 QA |
| 高风险变更没 HITL | 灾难 |
🔗 在本 Wiki 中
- 上承：AIOps-2026-全景综述（AI SRE 是其事后侧）
- 平行：AI-可观测性-四维追踪（可观测层基础）
- 实体：HolmesGPT · Middleware-OpsAI · Datadog-Bits-AI-SRE · Google-ADK
💡 一句话总结
AI SRE = LLM Agent 重写事件响应循环。 MTTR -70%、5 分钟从告警到根因，是 2026 行业基线（iFood / AMEX / Google 一手数据）。 架构是杠杆，不是模型；HITL 是必需，不是 nice-to-have。