2026年6月14日

SRE 智能体——在事故之前保障可靠性

Datarim 的 SRE 智能体如何定义 SLO、用 RED 和 USE 方法设计可观测性,并塑造告警机制,使寻呼稀少而有意义。

大多数可靠性工作都发生得太晚。服务宕机、告警触发、有人手忙脚乱。SRE 智能体的目的是把这项工作提前——提前到设计阶段,在那里可靠性决策的成本很低。

它的问题始终如一:这能在生产环境中存活吗?不是“它在开发者的笔记本电脑上能运行吗”,而是“当某个依赖变慢、当流量翻倍、当三个副本中的一个在凌晨 3 点消失时,会发生什么”。

可观测性设计

可观测性不等同于日志记录。日志记录事件;可观测性让工程师无需部署新代码就能对系统状态提出任意问题。SRE 智能体使用两个互补的框架来设计可观测性。

RED 方法覆盖处理请求的服务:跟踪 Rate(每秒请求数)、Errors(失败比例)和 Duration(延迟分布)。USE 方法覆盖资源——CPU、内存、磁盘、队列:跟踪 Utilization(利用率)、Saturation(饱和度)和 Errors(错误)。两者结合,覆盖了生产环境意外最常见的两个来源。结构化日志和分布式追踪通过使单个请求路径可跨服务追踪,补全了全貌。

SLO 与错误预算

SLO——服务等级目标——是服务需要达到的可靠性目标。错误预算是 SLO 达成后剩余的部分:用于风险变更、实验和计划内停机的余量。没有错误预算,可靠性就变成了一种直觉,而不是一个可以推理的数字。

SRE 智能体在设计阶段早期定义 SLO,并用它们来塑造告警。规则很简单:基于 SLO 燃烧率进行寻呼,而不是对每一个异常都寻呼。一个每周因自行恢复的事情触发三次的告警,比没有告警更糟——它训练团队忽略寻呼。

它的位置

SRE 智能体在 /dr-design 中负责可靠性需求,在 /dr-qa 中负责负载与韧性审查,在 /dr-archive 的 Step 0.5 中负责反思期间的事后分析。优雅降级模式——断路器、带退避的重试、回退——是其设计词汇的一部分。当计划需要时,金丝雀发布和功能开关等部署安全技术也在其范围内。

查看 SRE 智能体卡片上的完整参考,或阅读Datarim 是什么以了解智能体如何协同工作的背景。