谷歌亲手重写《SRE》:十年黄金法则失效,AI 把运维的确定性抽走了
2016 年,一本蓝色封面的书把「运维」从机房地下室拽进了工程学科的殿堂。它给出的等式简单粗暴:…
文章目录
2016 年,一本蓝色封面的书把「运维」从机房地下室拽进了工程学科的殿堂。它给出的等式简单粗暴:SRE 就是用软件工程师的标准来设计运维团队;日常运维时间硬性封顶 50%,剩下的必须投入工程工作。十年后,这本书的作者们亲手推翻了它——不是修订,是重写。

一分钟速览
- 谷歌今年 10 月发布《SRE》第二版,作者团队明确表示第一版已经过时。
- 过时的原因不是技术栈更新,而是第一版依赖的两个前提同时崩塌:工程师亲手操作系统、系统行为可度量可预测。
- 第一层侵蚀来自平台工程:内部开发者平台接管了部署、可观测性配置,SRE 从操作者变成平台的设计者和消费者。
- 第二层侵蚀来自 AI:既要「为 AI 做 SRE」(GPU 集群、非确定性输出),也要「用 AI 做 SRE」(Gemini CLI 已参与真实故障处置)。
- Komodor CTO 给出的数字是:约 30% 的故障案例,Agent 可以独立解决,人类只收到一条通知。
那本书到底做对了什么
在第一版之前,DevOps 运动已经喊了七年「要协作、要自动化、要拥抱失败」,但它更像一面插在散沙上的旗:告诉你该协作,没告诉你凌晨三点告警响了谁来看;告诉你该拥抱失败,没告诉你失败到什么频率才算正常。第一版《SRE》做的,是给这套哲学浇上钢筋混凝土。
它把谷歌多年积累的 SLI、SLO、错误预算、toil 管理和无责事后复盘系统化地介绍给外界,给行业提供了一套可以互相讨论的语言。其中错误预算的影响最深远:它用数学量化了「稳定性」与「迭代速度」之间的博弈,终结了「追求 100% 绝对稳定」的执念。今天任何一家公司可靠性评审会上那句「这个季度错误预算还剩多少」,源头就在这本书里。
它的商业化速度也说明了一切:出版几个月后,一位作者在都柏林办公室被六个人的咨询团队堵住,拿着文件夹逐条盘问书中细节,准备包装成咨询服务卖给客户;Forrester 甚至发文总结「可以立即应用到你组织的 19 个要点」。一本谷歌内部手册,不到一年就变成了全球咨询业的产品目录。
十年后,两个前提同时失效
第二版的作者们把「过时」归因于两层侵蚀。第一层是基础设施的重构。第一版描述的是一个「每个团队自己搭、自己跑基础设施」的世界;十年后,provisioning、部署、可观测性配置都被下沉到平台层,静态仪表盘和手动翻日志被 OpenTelemetry 与分布式追踪取代,根因定位从人肉 grep 变成系统推送,声明式基础设施和自愈机制让故障自己往回拉。SRE 不再亲手碰这些东西,他们变成了平台的消费者和设计者。
第二层是 AI 的双向重塑。谷歌把它拆成两个方向:「为 AI 做 SRE」和「用 AI 做 SRE」。前者面对的是大规模 GPU 与 TPU 集群的可靠性、网络拓扑的复杂性、非确定性输出的监控、训练与微调管道的稳定。其中最棘手的是输出可靠性——传统 Web 服务返回 5xx 会烧掉错误预算,监控系统能抓到;但一个「自信地给出错误答案」的模型,服务指标一切正常,损害却在用户信任上累积。
30% 的故障,机器自己解决了
后者已经从概念验证走进生产。谷歌 SRE 团队开始用 Gemini CLI 处理真实故障:在一段演示里,Agent 自动拉取告警详情、做因果分析、关联时序数据、推荐缓解方案,SRE 只需要输入一句「听起来不错,执行重启」,操作就被触发。Komodor 的 CTO 给了一个更具体的数字:大约 30% 的案例,Agent 可以独立解决,人类收到的只是一条 FYI 通知。
对一线工程师来说,这听起来像解放;对 SRE 这门学科来说,这是一次根基性的动摇。第一版 SRE 文化的核心是「你亲手碰过、被凌晨三点的告警烧过,所以你真懂系统」。错误预算之所以有分量,是因为按下「停止发布」的那个人,曾经在故障里感受过切肤之痛。当日常工作变成审核 AI 的提案,这份「体感」从哪里来?
文化没变,但载体变了
第二版反复强调的一点是:技术变了,文化没变,无责复盘和心理安全感依然是根基。但作者们也没有回避另一件事——第一版副标题叫「谷歌如何运行生产系统」,它没有说清这只是一种做法。第二版引入了 Spotify、微软、Etsy、迪士尼、Waymo 的视角,展示它们各自怎么落地、哪些有效、哪些无效。这个转向本身就是一个信号:SRE 正在从「谷歌怎么做」变成「你在你的环境里,在 AI 介入之后,还能抓住什么不变的东西」。
趋势洞察
AI 接管操作的速度,会比大多数人预期的快,因为它的收益太直观:夜里三点的重复判断交给机器,人白天做工程。但可靠性工程的稀缺资源从来不是响应速度,而是「判断力」——知道哪些异常可以忽略、哪些数据不能动、哪次发布必须叫停。这种判断力只能从亲手处理和事后复盘中长出来。第二版给出的不是答案,而是一份诚实的记录:一门曾经靠确定性立足的学科,正在学习与黑箱共处。对每一个对生产系统负责的人来说,这可能是未来十年最重要的课题。
相关链接
- Google SRE 官网:https://sre.google
本文地址:https://www.163264.com/21840


