AI 值班员上岗前，先划清它能干的三件事

半夜被告警叫醒的工程师，都想过让 AI 接班。「AI SRE」这个词确实已经流行起来，但调研结论可能让你意外：真正跑通的公司，没有一家让它直接修系统。

一、发生了什么

据 Pragmatic Engineer 10 月 27 日的长文，AI SRE 指接管线上值班里调查环节的 agent 工具。Rootly、incident.io、ResolveAI 都出了产品，OpenAI、Stripe、谷歌等大公司在自建。

跑通的用法高度集中在调查：告警触发后，agent 几分钟内进事件频道，拉日志和遥测、查最近发布过什么改动、给出根因候选。Stripe 自建的 agent 做一次简单调查平均 3 分钟，深度调查 14 分钟。而写操作——重启服务、改配置、合并修复——普遍留在人手里，最激进的产品设想过自动合并修复请求，目前也要求每一条人工批准。

产品形态上，三家主力厂商走的都是「知识层加 agent」的路子：把服务目录、历史事件、遥测数据先汇成图谱或上下文库，agent 再在这上面做调查。踩过的坑也很一致：早期单 agent 方案在长事件里会上下文饱和、反复要数据、只会附和自己最初的猜测，后来普遍改成了调查、验证、沟通三种角色分开的多 agent 结构。还有厂商在消息分寸上做了设计——agent 平时保持安静，只在问题没人答、有人宣布缓解却拿不出证据这类时刻开口。

需求的背景是：代码部署频率一年翻倍，告警随之变多，有厂商统计非工作时间的呼叫量近一年几乎翻倍。至于「AI 值班、人类睡觉」的全自动场景，文章的判断很明确：至今是演示，不是现实——某大厂一年前的现场演示，之后一年再无下文。

二、跟你有什么关系

on-call 工程师。 铲土活（翻日志、找变更、拼时间线）会先被拿走，但轮到你手上的故障会更难，别指望轻松。

平台团队。 买产品还是自建，分水岭是数据信任：agent 要读日志遥测甚至源码，大公司普遍不敢给第三方。

技术管理者。 值得投入，但要按「调查加速器」立项，别按「自动修故障」立项，后者现在交付不了。

三、怎么用

1. 第一步只交调查：要求 agent 在告警后五分钟内给出根因候选和证据链接，缓解决策人来拍板。这一步的价值已被普遍验证。
2. 结构上防自欺：让一个独立的验证 agent 去挑战调查结论，别让同一个 agent 自己验证自己的第一猜测——这是各家踩过的坑。
3. 用历史事件回测：把过去半年的事故喂给 agent 重跑，看它给的根因和事后复盘差多远，再谈扩大授权。
4. 写操作分级：只读的查询可以自动跑，任何变更动作一律人工批准，这条红线先守住。

四、三个别信的说法

AI SRE 能全自动修线上故障。 全自主至今停留在发布会演示里，目前产品连自动合并修复请求都要人批准。

准确率有公开数字可查。 各家口径不一，且高度依赖每家公司的系统，唯一可靠的办法是拿自己的历史事件回测。

上了它工程师就不用学排障了。 技能退化风险反而在涨：呼叫变少，轮到你处理的就是最难的场景，定期演练不能停。

五、一句话结论

让 AI 干铲土的活，人来按那一下「要不要回滚」。

信息来源

• Pragmatic Engineer：AI SRE 到底管不管用，2026-10-27

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。