AI SRE 处理常规故障：工程师积累“理解债”

AI SRE 读告警、查指标、对比部署、提出根因、生成修复。

夜间电话减少。工程师获得睡眠。

另一笔账单出现：理解债。

前 LinkedIn SRE Sylvain Kalache 提出了这个概念。常规事故是工程师的系统训练场。自动化拿走这些事故，工程师失去系统直觉。严重故障保留人工接管。接管者面对陌生系统和异常情境。

他的预测带有一个分叉：常规事故的 MTTR 下降，复杂事故的 MTTR 上升。

这项预测缺少生产数据检验。它拥有一条老证据链。1983 年的人因研究描述了同一个自动化悖论。

AI SRE 与理解债的形成

常规事故提供系统反馈。自动化减少反馈。理解债获得积累。

一篇 1983 年论文留下的警告

Lisanne Bainbridge 的论文《Ironies of Automation》发表于 1983 年。研究对象是工业过程控制。飞行甲板提供补充案例。

Bainbridge 讨论两类人工任务：自动系统监控和异常状态接管。自动化承担可预测任务。人类承担设计者留下的任务。

这套分工制造了矛盾。人工任务数量下降，人工任务难度上升。操作员需要手动控制技能和故障诊断能力。技能保持依赖使用频率。知识形成依赖实践反馈。

课堂知识缺少操作框架。异常接管要求系统模型。操作员缺少日常操控，系统模型发生衰退。

AI SRE 复制了这套结构。

智能体承担告警归并、遥测查询、部署关联和常见修复。工程师承担未知故障、跨系统故障和高风险决策。留给人的事故数量变少。每起事故的歧义和影响范围变大。

常规事故拥有训练价值

常规事故看似低价值。它们提供四种反馈。

指标与用户症状的对应关系；
服务依赖与故障传播路径；
部署记录与系统行为的因果线索；
团队角色与沟通节奏的实战经验。

这类知识超出完整文档的边界。多次排查形成工程师的心智地图。一次磁盘告警暴露容量边界。一次超时暴露依赖链。一次回滚暴露发布机制。

AI 完成排查，修复结果进入工单。推理过程留在日志。工程师读完日志。操作反馈缺席。

观察答案与亲手排障属于两种学习活动。

“理解债”与技术债的差别

技术债存在于代码、架构和依赖。理解债存在于团队认知。

技术债拥有扫描器、Issue 和重构计划。理解债缺少可见载体。监控面板保持绿色，团队能力曲线存在下滑风险。

理解债拥有三个信号：

值班人员依赖 AI 解释基础拓扑；
少数老员工成为重大事故救场者；
复盘报告完整，现场决策速度下降。

这三个信号属于观察项。它们承担演练触发器角色。

理解债的风险集中于长尾。常规事故数量决定平均 MTTR。重大事故决定业务损失、监管影响和品牌损害。平均值下降与尾部风险遮蔽相伴。

平均指标与尾部风险

作者提出一种预测：常规事故提速，复杂事故减速。该预测缺少生产数据验证。

飞行模拟器提供组织设计

Kalache 使用飞行员类比。飞机自动化承担大量飞行任务。飞行员保留异常处置责任。航空训练使用模拟器维持稀有场景能力。

FAA 规则包含复训和熟练检查。相关训练资料覆盖起飞阶段的发动机故障。训练周期与机型、岗位和运营规则有关。

软件事故与航空事故拥有不同风险等级。航空类比缺少 AI SRE 的 MTTR 证据。它提供一种组织方案：生产暴露量下降，模拟训练量补足技能缺口。

Rootly 与 Uptime Labs 推出了事故模拟训练。演练场景包含电商故障、Grafana、Slack 和虚构角色。学员承担事故指挥、技术排查和信息沟通。每次演练持续 15 至 30 分钟。

产品供应商参与了观点传播和解决方案销售。文章披露这项商业利益。1983 年论文提供理论依据。模拟训练效果缺少独立研究。

AI SRE 的两份产物

第一份产物是修复。第二份产物是教学记录。

建议字段包含证据链、排除项、系统依赖、风险决策和反事实问题。工程师承担推理重建任务。结论阅读缺少操作训练价值。

制度方案包含四项：

月度事故模拟，场景来源是历史复盘；
人工值班轮换，范围包含低风险常规事故；
AI 修复复述，值班人员解释证据链；
接管演练，团队关闭智能体建议并完成排障。

每项制度配有指标。指标包含接管时间、拓扑判断准确率、错误假设数量和沟通遗漏数量。

AI SRE 的考核指标发生变化。自动关闭事故数代表产量。工程师接管能力代表韧性。两个指标属于同一系统。

我的判断

Kalache 的“理解债”是一项假说。行业定律身份缺少证据。论文提供理论基础。生产数据处于空白状态。

这项假说值得工程团队测试。测试成本低。事故代价高。

AI SRE 拿走重复劳动。团队保留系统理解。自动化负责修复，训练制度负责能力保存。

事故处理系统的可靠性包含两部分：机器成功率和人工接管率。