AI在SRE中的應用：Google如何利用智能代理改進運維

Google的站點可靠性工程（SRE）團隊已有20多年曆史，負責確保Search、Gmail、Maps、YouTube和Google Cloud等服務的高可靠性。然而，隨着AI的出現，系統複雜性出現了多次階躍變化。微服務架構導致系統分佈更廣，硬件多樣性增加；企業雲產品功能繁多；全球業務和監管要求使拓撲結構更復雜；AI代碼生成使代碼量劇增，引入更多可靠性問題。

儘管AI帶來了挑戰，它也提供了理解並改進軟件開發生命週期的新方法。Google SRE正在全面採用AI和智能代理技術，將其作為力量倍增器，同時保持控制。他們稱之為“SRE AI”。

SRE AI的機遇覆蓋了整個軟件開發生命週期。最明顯的應用是事故調查與緩解（根本原因分析），但遠不止於此。以下是幾個正在推進的領域：

• 可靠性設計：通過智能代理在系統設計、發佈和部署階段自動檢測並修復問題，減少人工投入。

• 運行手冊（Playbooks）：AI代理持續監控並改進事故期間使用的文檔，甚至從事故中生成新的運行手冊。

• 異常檢測與告警：傳統方法基於靜態閾值，但對於多樣化的客户用例效果不佳。AI通過代理收集信號，利用模型（如TimesFM）進行異常檢測，並結合歷史數據和客户反饋。檢測到異常後，代理自動分組、豐富上下文並處理，顯著減少需要人工審查的告警數量。

• 事件管理：在現有IMAG流程之上添加智能編排層，代理監控通信渠道、總結信息、生成交班文檔、自動起草事後報告並管理內外溝通。

• 事故調查：代理利用可觀測性數據（日誌、監控、追蹤）以及系統拓撲和依賴數據，建立領域知識，形成假設並提出緩解步驟。

• 洞察與風險管理：AI Insights系統持續審查已知事故並提取信息，供代理驅動更好的調查和緩解。風險洞察系統為事故標記風險類別，輔助決策。

在設計上，Google SRE制定了幾項原則：不替換已成功自動化的流程；所有AI系統必須符合現有政策；代理需滿足安全、隱私要求；代理具有強身份和角色權限；代理需提供高可靠性SLO並具備備份方案；代理必須能解釋行動理由；業務連續性計劃需包含AI故障應對；AI系統需持續訪問生產數據並接受質量評估。此外，SRE AI系統應至少實現以下目標之一：減輕工程師重複勞動、幫助提高決策質量、更好地預防/檢測/緩解問題、啓用自治反饋循環、降低運營成本。

SRE AI建立在Google成熟的基礎設施上：Gemini基礎模型及其微調版本、Gemini Enterprise Agent Platform、Agent Development Kit (ADK)、MCP服務器、標準內部可觀測性基礎設施、BigQuery中的AI/ML能力及向量數據庫。這些組件被組合成自治系統，Google為此開發了自主水平追蹤方法。

如需深入瞭解技術架構和治理模型，可閲讀完整白皮書《AI in SRE Practice: Moving Beyond Automation at Google》。