AI在SRE中的应用：Google如何利用智能代理改进运维

Google的站点可靠性工程（SRE）团队已有20多年历史，负责确保Search、Gmail、Maps、YouTube和Google Cloud等服务的高可靠性。然而，随着AI的出现，系统复杂性出现了多次阶跃变化。微服务架构导致系统分布更广，硬件多样性增加；企业云产品功能繁多；全球业务和监管要求使拓扑结构更复杂；AI代码生成使代码量剧增，引入更多可靠性问题。

尽管AI带来了挑战，它也提供了理解并改进软件开发生命周期的新方法。Google SRE正在全面采用AI和智能代理技术，将其作为力量倍增器，同时保持控制。他们称之为“SRE AI”。

SRE AI的机遇覆盖了整个软件开发生命周期。最明显的应用是事故调查与缓解（根本原因分析），但远不止于此。以下是几个正在推进的领域：

• 可靠性设计：通过智能代理在系统设计、发布和部署阶段自动检测并修复问题，减少人工投入。

• 运行手册（Playbooks）：AI代理持续监控并改进事故期间使用的文档，甚至从事故中生成新的运行手册。

• 异常检测与告警：传统方法基于静态阈值，但对于多样化的客户用例效果不佳。AI通过代理收集信号，利用模型（如TimesFM）进行异常检测，并结合历史数据和客户反馈。检测到异常后，代理自动分组、丰富上下文并处理，显著减少需要人工审查的告警数量。

• 事件管理：在现有IMAG流程之上添加智能编排层，代理监控通信渠道、总结信息、生成交班文档、自动起草事后报告并管理内外沟通。

• 事故调查：代理利用可观测性数据（日志、监控、追踪）以及系统拓扑和依赖数据，建立领域知识，形成假设并提出缓解步骤。

• 洞察与风险管理：AI Insights系统持续审查已知事故并提取信息，供代理驱动更好的调查和缓解。风险洞察系统为事故标记风险类别，辅助决策。

在设计上，Google SRE制定了几项原则：不替换已成功自动化的流程；所有AI系统必须符合现有政策；代理需满足安全、隐私要求；代理具有强身份和角色权限；代理需提供高可靠性SLO并具备备份方案；代理必须能解释行动理由；业务连续性计划需包含AI故障应对；AI系统需持续访问生产数据并接受质量评估。此外，SRE AI系统应至少实现以下目标之一：减轻工程师重复劳动、帮助提高决策质量、更好地预防/检测/缓解问题、启用自治反馈循环、降低运营成本。

SRE AI建立在Google成熟的基础设施上：Gemini基础模型及其微调版本、Gemini Enterprise Agent Platform、Agent Development Kit (ADK)、MCP服务器、标准内部可观测性基础设施、BigQuery中的AI/ML能力及向量数据库。这些组件被组合成自治系统，Google为此开发了自主水平追踪方法。

如需深入了解技术架构和治理模型，可阅读完整白皮书《AI in SRE Practice: Moving Beyond Automation at Google》。