ALL INTELLIGENCE
InfoQ 中文T2·Industry

Google Rewrites SRE Bible to Confront AI Uncertainty

By 林绮蓓Original title: 谷歌 SRE 圣经被迫重写:AI 时代,硬技能在塌陷,第一性原理在升值
62AI Score

Google's SRE team is preparing a second edition of its seminal SRE book, driven by a fundamental shift in reliability paradigms in the AI era. The authors argue that traditional SRE methodology, built on deterministic systems yielding deterministic results, is challenged by AI tools that inherently resist deterministic outputs, with hard skills depreciating while first-principles thinking appreciates.

Full Report

Contents6 sections

编译|林绮蓓

策划|Tina

2016 年,一本蓝色封面的书砸进了整个技术行业,把“运维”这两个字从地下室拽进了工程学科的殿堂。

在它之前,运维在大多数组织里是一个成本中心,是一群被凌晨告警叫醒的人,是开发团队眼中“拖慢发布速度的那帮人”,是一门靠师傅带徒弟、靠口口相传、靠个人英雄主义在机房里临场发挥的手艺。系统出了故障,运维的默认答案就是:“加人、加班、加流程”。

第一版《SRE》做的第一件事,就是用一套冷峻的工程语言,正式宣告了传统运维时代的终结。 它向全行业抛出了一个不可辩驳的等式:SRE 等于用软件工程师的标准来设计运维团队。

《SRE》这本书将日常运维的时间被硬性封顶在 50%,剩下的必须投入工程工作。这揭示了运维(Ops)的本质是一个软件工程问题,不该靠加人来扛故障,而应该靠写代码来消灭故障。从这本书出版那天起,SRE 不再只是一个谷歌内部的岗位名称,它成了一个新学科的名字,催生了全球范围内这一全新岗位的普及,重塑了无数科技公司的组织架构和招聘标准。

这本书不仅让 SRE 走向更广泛的技术行业,更给整个行业发放了一套通用的“工程语言”和黄金法则。在该书出版之前,DevOps 运动已经喊了七年“要协作、要自动化、要拥抱失败”,但就像是一面插在散沙上的旗帜,它告诉你“要协作”,却没有告诉你凌晨三点告警响了谁看;它告诉你“要拥抱失败”,却没告诉你失败到什么频率才算正常。

第一版《SRE》给这套哲学浇了钢筋混凝土。微软官方文档后来用一句话精准总结了这种关系:“SRE 类实现 DevOps 接口。” 更重要的是,它将 Google 多年积累的 SLI、SLO、错误预算、toil 管理和无责事后复盘等工程实践系统化地介绍给外界,为不同组织讨论系统可靠性提供了相对统一的概念和方法。

例如,错误预算彻底改变了“追求 100% 绝对稳定”的错误执念,用数学量化了“系统稳定性”与“业务迭代速度”之间的博弈,解决了开发与运维之间长达数十年的矛盾。在任何一家公司的可靠性评审会上听到的“这个季度的错误预算还剩多少”,这句话的源头就藏在这本书里。它不仅仅是被阅读,还被翻译、被拆解、被贩卖、被模仿。

出版几个月后,该书其中的一位作者 Niall 在都柏林办公室被一家咨询公司的六个人堵住,他们拿着文件夹,花了一个小时逐条盘问书中细节,准备包装成咨询服务卖给客户。Forrester 甚至发文《SRE 一书中可以立即应用到你组织的 19 个要点》。一本谷歌内部手册,在不到一年里变成了全球咨询业的商品目录。这就是“黄金法则”的实际含义:它成了别人拿来卖钱、拿来照抄、拿来当标准的东西。

此外,它更是直接推动了云原生与 DevOps 生态的爆发。这本书出版的时间点,恰好撞上了整个行业的基础设施大迁移。企业数字业务规模急剧扩张,IT 从“地下室里的事情”变成业务的关键组成部分,系统停机开始实实在在地烧钱。Kubernetes 在 2015 年发布 1.0,CNCF 在同年成立,云原生运动正在寻找自己的方法论。《SRE》给了这场运动一套可执行的可靠性框架:平台工程、可观测性、SLO 驱动的发布决策,这些后来云原生生态里的核心议题,都能在这本书里找到最初的语言。它和 DevOps、云原生并非三个孤立的故事,更像是同一场运动的三层:DevOps 提供文化,云原生提供基础设施,SRE 提供在那些基础设施上把可靠性当成工程问题来管理的操作手册。没有这本手册,云原生的爆发会少一根关键的承重梁。

可以说,第一版不仅是一本书,它是现代互联网运维的“开山鼻祖”和“范式转移之作”。

但十年后,这本书被它的作者们亲手推翻了。

不是修订,而是重写。今年 10 月,谷歌发布了该书的第二版。作者团队明确表示,第一版已经过时了。过时的原因远比“技术栈更新”更麻烦:第一版默认的那个世界——工程师亲手触碰代码、亲手调试基础设施、在故障现场用肌肉记忆做判断的世界——正在被两层力量同时侵蚀。

第一层是基础设施与平台工程的全面重构。第一版描述的是“每个团队自己搭建、运行基础设施”的时代。十年后,大量运维工作被下沉到平台层,内部开发者平台接管了 provisioning、部署、可观测性配置。静态仪表盘和手动查日志被 OpenTelemetry 和分布式追踪取代,根因定位从“人肉 grep”变成系统自动推送;第一版教的“写脚本消灭 Toil”,变成了声明式基础设施和自愈系统,故障发生后,系统自己往回拉,不需要等人醒来敲命令。SRE 不再亲手碰那些东西,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。谷歌官方把 SRE 与 AI 的关系拆成两个方向:

“为 AI 做 SRE”:AI 系统本身正在给可靠性工程带来新的挑战,大规模 GPU 和 TPU 集群的可靠性、网络拓扑的复杂性、非确定性输出的监控、模型训练和微调管道的稳定运行。模型输出的可靠性也尤为棘手:传统 Web 服务出现 5xx 错误会烧掉错误预算,通常会被监控系统发现,并可能计入错误预算;但一个“自信地给出错误答案”的模型,即使服务运行正常,也可能损害用户的信任。

“用 AI 做 SRE”:AI 也开始参与生产系统的故障诊断和处理,而且已经不再停留于概念验证阶段。Google SRE 团队已经在用 Gemini CLI 处理真实故障:在一段模拟故障演示中,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“SGTM(听起来不错),执行重启”,便可触发相应操作。Komodor 的 CTO 说得更直白:大约 30% 的案例,Agent 可以独立解决,人类只收到一个 FYI 通知。TechTarget 的报道甚至描绘了一个“理想场景”:凌晨三点 Agent 发现异常、测试修复、灰度发布,第二天早上人类醒来看到一条“昨晚避免了一次事故”的通知。

这也是第二版重写的理由。SRE 赖以生存的两个底层假设,同时崩塌了。

第一版教的那些黄金法则:SLO、错误预算、toil 消灭,全部建立在“系统行为是可被度量、可被预测、被人工工程化控制的”这一前提上。但现在,对传统系统,SRE 不再亲手操作;对 AI 系统,代码根本不按确定性规则运行。AI 更像一个黑箱里的同事,有时候能力超神,有时候胡说八道,而你必须在生产环境中和它共事,还要保证用户不遭殃。Niall 在播客里的那句“LLM 会产生幻觉,准确率是 99.9% 还是 99.5% 后果天差地别”,这句话指向的是:SRE 赖以存在的“确定性”正在被抽走。

Google 在第二版里反复强调:技术变了,但文化没变,无责复盘、心理安全感依然是根基。但真正致命的问题在于:当你的日常变成审核 AI 的提案,当 30% 的故障判断被机器接管,你对系统的“体感”从哪里来? 第一版 SRE 文化的绝对核心,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,曾经在故障中感受过切肤之痛。如今,这个根基正在被抽走。

播客里 Christoph 的发言值得留意。他说第一版忠实地体现了副标题:“谷歌如何运行生产系统”,但它没有说清楚,这只是一种做法。第二版引入了 Spotify、Microsoft、Etsy、Disney、Waymo 的视角,展示它们如何采用 SRE、哪些做法有效、哪些没有。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”。

如果你在运维、平台工程、或者任何需要对生产系统可靠性负责的岗位上,不妨听听这期播客对话。这段对话并非给出了 AI 时代的答案,作者们自己也在焦虑十年后这本书会不会显得荒唐。第二版书诚实地呈现了一个正在发生的断裂:一本终结了传统运维时代、定义了行业语言、托住了云原生爆发的书,被它的作者们亲手宣告需要重写,而重写它的理由,恰恰是他们还无法完全看清的东西。

Betsy 在播客里说了,想成为 SRE 的人,她的建议仍然是“从第一版开始”。但如果你想知道 DevOps 和云原生走到 2026 年之后,当 AI 开始接管操作、当平台工程把 SRE 从机房里拽出来,那套曾经让运维变成一门工程学科的东西还剩下什么?第二版的书籍和这期对话,是目前的起点。

从人工救火到工程化运维,Google 如何改变了 SRE?

David Blank-Edelman:大家好,欢迎收听 Prodcast。我是今天的客座主持人 David Blank-Edelman。今天,我们要聊一部在我们这个领域具有开创性意义的著作。虽然参加这次讨论的人可能不太愿意承认这一点,但《SRE》这本书确实帮助推动了整个领域的发展,也成功地让更多人认识了 SRE。

而且,我们还有一个令人兴奋的消息:今天我们还会重点讨论即将问世的第二版。我想先从这本书的起点聊起。Niall,当初怎么会想到要写这样一本书?等聊到第二版时,我还想再问问你这个问题,听听你当时有哪些不同的考虑。

Niall Richard Murphy:第一版的想法在正式立项前几年就已出现。随着 Google 内部 SRE 实践不断发展,工程师们意识到,这套知识和工作方法已经复杂到值得系统整理成书。经过约一年半到两年的编写,第一版于 2016 年出版。

David Blank-Edelman:Christof,你认为为什么第一版会受到如此广泛的欢迎?在你看来,这本书究竟提供了什么价值,能够让这么多人从中受益?

Christof Leng:我认为,这与当时的时代背景有很大关系。那段时间,很多公司的数字化业务都在快速扩张。IT 系统不再只是发生在地下机房里的事情,而是逐渐成为企业运营的关键组成部分。人们开始意识到,一旦系统宕机,就会真正影响业务。

于是,大家需要弄清楚几个问题:面对规模越来越大的系统,我们该怎么办?面对各种系统相互交互带来的复杂性,我们该怎么办?又该如何以可持续的方式管理这些系统?很多公司开始尝试采用书中的实践方法,而结果表明,它确实在很多公司中发挥了作用。

David Blank-Edelman:我想,读者从这本书中看到的应该不只是 Google 的经验,也看到了自己的处境。这其实是一个很值得探讨的问题:这本书解释了 Google 是如何取得成功的,但其中的方法似乎也适用于其他公司。

你们当初写这本书时,是否已经意识到,Google 的经验也能在其他组织中发挥作用?那么,其他公司是如何借鉴这些经验的?你们当时观察到的情况是什么?

Christof Leng:我认为,第一版确实有一些内容非常具有 Google 的特点。在我看来,真正成功引入 SRE 的公司,并没有完全照搬 Google 的做法,而是根据自身情况进行了调整。每个组织都有不同的文化和需求,不可能与 Google 完全一样,这其实是件好事。我认为,书中的许多原则具有普遍适用性,其他公司完全可以结合自身的实际情况加以应用。

Google 的最佳实践,为什么到了其他公司就失灵了?

David Blank-Edelman:David,你先来说说?

David Huska:我在 Google Cloud SRE 团队工作时,主要负责帮助一些大型客户将系统迁移到 Google Cloud(GCP),第一版 SRE 书也恰好在那时出版。当时,云计算已经出现了一段时间,而且正在越来越普及。在与客户合作的过程中,我们逐渐意识到一个问题:这些企业往往拥有规模庞大、运行多年的老旧系统,而系统原有的可靠性问题,并不会因为迁移到云上就自动消失。

第一版出版的时候,SRE 的理念和实践开始受到广泛关注。很多公司希望效仿 Google,认为既然 Google 是这么做的,自己也应该照着做。但正如 Christof 刚才提到的,由于种种原因,直接照搬往往行不通。接下来的几年,我们与这些大型企业开展了大量合作,也积累了不少经验。这些合作有时像技术咨询,有时又像是在为客户提供情绪疏导,因为我们经常需要回答这样一个问题:“为什么这套方法在我们这里行不通?”

与此同时,这些经历也不断印证了 SRE 的许多基本判断。有些问题几乎就像物理定律一样,无论在哪家公司,都会遇到类似的挑战。客户也非常希望了解 Google 是如何应对这些挑战的。毕竟,Google 一直被视为可靠性工程领域的典范,他们希望借鉴这些经验。其中不少方法确实有效,而且直到今天仍然适用。

不过,走进其他企业,观察这些方法在不同环境下的应用效果,也让我们有了许多新的认识。这些企业拥有非常优秀的工程师,他们也十分了解自己的业务,但 Google 的方法并不总能与他们的实际情况完全匹配。客户的反馈促使我们重新审视这些实践:哪些经验具有普遍性,哪些做法需要根据具体环境作出调整?这些问题也成为我们后来总结经验、完善方法时的重要方向。

Niall Richard Murphy:我简单补充一下。第一版出版几个月后的一次经历,让我第一次意识到,这本书或许也适用于 Google 之外的企业。

当时,我正在 Google 都柏林办公室工作,突然接到前台通知,说有人来找我。我有些意外,因为事先并没有约人。下楼后才发现,来访的是一家咨询公司的六名员工。我把他们带进会议室,几个人随即拿出文件夹,里面准备了大量列有问题要点的资料。接下来一个小时,他们围绕书中的内容向我提出了许多非常细致的问题。直到谈话快结束时,我才恍然大悟,原来他们是想深入了解书中的各种细节,再把这些经验作为咨询服务提供给自己的客户。

当然,十年后的我已经不像当时那么天真了。但那次经历确实让我意识到,这些咨询公司可能会把 SRE 的方法带给更多企业,涉及不同的行业,以及对技术有着不同需求的组织。又过了一段时间,我逐渐意识到,SRE 正在走向主流。

当然,Google 与其他企业之间存在许多差异,比如组织规模、可用资源,包括资金和 CPU 等计算资源。这些差异很容易让人觉得,Google 的经验未必适用于其他公司。但咨询公司却认为,书中有大量方法可以直接应用到其他组织。

我记得 Forrester 曾发表过一篇文章,标题大致是《SRE 一书中可以立即应用于企业的 19 条经验》。看到这样的文章,我更加确信,这本书对 Google 之外的企业同样具有价值。当然,初创公司可能是一种比较特殊的组织类型,我能够理解这种看法,甚至在一定程度上也认同。但对于大多数企业及其日常工作来说,书中确实有许多值得借鉴的方法。

事实上,这也是我当初想写第一版的原因之一。在此之前,我长期处于开发与运维严格分离的传统工作模式中。整个职业生涯大约有 75% 的时间从事运维工作,另外 25% 从事开发工作。但我逐渐意识到,开发和运维并不一定要这样分开。

而 Google 特别擅长的一件事,就是从第一性原理出发重新审视问题,探索不同于传统做法的解决方案。

从自建基础设施到平台工程,哪些经典实践已经不适用了?

David Blank-Edelman:David,我想接着你刚才提到的内容再问一个问题,正好也聊聊即将出版的第二版。经过这么多年的实践和反思,现在回头看第一版,你们觉得有哪些地方当初理解得不够准确,或者处理得不够完善?又有哪些内容,是你们希望在第二版中补充或修正的?

毕竟,人都会犯错,至少我自己是这样。而 SRE 一直强调从失败中学习,所以我很好奇,你们从第一版中吸取了哪些经验?如果你们能够挥动魔杖回到过去,重新审视第一版,会有哪些地方让你们觉得:“第二版必须补上这个缺口”,或者“这里需要纠正一下之前的说法”?

David Huska:我认为,第一版很多观点在当时是成立的,也符合我们那时的写作定位,也就是介绍 Google 如何运行生产系统。只是经过这些年的发展,许多技术和实践已经发生变化,书中的部分内容也逐渐过时了。

十年前,我们强调的是 SRE 文化,以及开发团队自行构建和运行基础设施的工作模式。如今,很多原本由开发人员承担的基础设施工作,已经下沉到平台层,由统一的平台来提供支持。这并不意味着当年的做法是错误的。那确实是 Google 当时运行系统的方式,而且取得了很好的效果。只是后来,我们发现许多公司读了第一版之后,也开始模仿 Google 的做法。

所以,也许我可以换个角度回答你的问题:第一版推动了哪些实践,而现在回头看,我们希望 Google 之外的公司当初能够采用不同的方法?这样的例子确实有一些。比如,十年前的环境相对简单,我们拥有充足的闲置计算资源,可以采用 N+1 冗余配置,在发生故障时利用预留的计算能力完成故障切换。当时,我们使用的虚拟机环境也相对统一,并在此基础上推动了 Borg、Kubernetes 等技术的发展。所以我很高兴我们当时选择了这条路线,但今天的技术环境已经有所不同。

平均故障恢复时间(Mean Time to Resolution,MTTR)也是一个例子。过去,这是一项非常实用的指标,其数据分布大致呈钟形曲线,因此我们一直用它来衡量故障恢复情况。但如今,这项指标已经不如过去那么重要了。类似的变化还有很多。

不过,在我看来,第二版最重要的进步,是我们认识到 Google 并不是唯一能够成功实践 SRE 的公司。其他组织同样积累了丰富的经验,也探索出了许多行之有效的解决方案。因此,我们努力将这些经验纳入第二版,不仅邀请其他公司的工程师亲自介绍他们的实践,也分享 Google 如何借鉴这些经验,以及我们自身的工作方式发生了哪些变化。同时,第二版也开始面向第一版未能充分覆盖的其他读者群体。

Betsy Beyer:我们后来意识到,第一版遗漏了一项非常重要的内容。当时,我们已经习惯了 Google 的企业文化,默认人员管理、团队协作以及无责文化(Blamelessness)等都是理所当然的。但实际上,这些恰恰是成功推行 SRE 所必需的基础条件。因此,第二版用了更多篇幅讨论社会技术系统(Sociotechnical Systems)层面的问题。与某个数据库表或者类似技术细节相比,这些内容更不容易过时,也更具有长期参考价值。

David Blank-Edelman:根据我的经验,出版第二版的时候,通常不可能无限增加篇幅,因此,要加入新内容,就必须删减一部分旧内容。刚才 David 提到了平台工程,Betsy 也谈到了组织和文化方面的内容。那么,为了给这些新内容腾出空间,第二版具体删掉了哪些东西?

David Huska:第一版包含的大量技术细节,比如负载均衡、分布式 Cron 等,这些内容在当时都很有价值。但如今,其中大部分技术已经商品化,即使是尚未商品化的部分,借助 LLM 等代码生成工具,实现起来也比过去容易得多,成本也大幅降低。因此,我们曾讨论过是否还有必要保留这些内容。最终,我们决定把更多篇幅留给第一版中相对欠缺的组织文化内容,比如团队成员如何协作、人与人之间如何互动,以及如何证明自己工作的价值。

借用作家 David Foster Wallace 的一个比喻,这些东西就像我们生活其中的水。因为早已习以为常,我们反而很难意识到它们的存在,也就没有在第一版中充分介绍。当然,有些内容我们当时已经意识到了,甚至写成了章节,但最终受篇幅等因素限制,还是不得不删去。所以,第二版减少了大量具体的技术细节,转而增加了更多关于组织、人员协作和文化的讨论。

Christof Leng:第一版很好地体现了它的副标题——“Google 如何运行生产系统”,但没有明确告诉读者,这只是实践 SRE 的一种方式,并不是唯一的方法。

因此,第二版引入了更多来自其他公司的实践经验,包括 Spotify、Microsoft、Etsy、Disney 和 Waymo。这些公司都有各自的 SRE 实践方法和发展历程,可以分享它们是如何引入 SRE 的,哪些做法取得了成功,又遇到了哪些问题。我认为,这些经验对准备引入 SRE 的企业很有参考价值。毕竟,如果只看 Google 如今成熟的实践体系,而不了解它是如何一步步发展起来的,就很难判断哪些方法适合自己的组织。

Betsy Beyer:我想特别强调第二版的一个重要特点,这与我们刚才讨论的保留、删除和更新哪些内容直接相关。但实际上,第二版《SRE》是完全重新编写的,并不是在第一版的基础上简单修改和增删。

举个例子,第一版有一章专门讨论“简单性”(Simplicity)。简单性依然是 SRE 的一项基本原则,我们现在仍然认同它。而且,第一版关于简单性的那一章直到今天仍然非常有价值。

因此,我们实际上把第二版看成第一版的补充,而不是替代品。事实上,我们还在第二版的前言中,为不同类型的读者提供了阅读建议——当然,前提是有人愿意认真读前言。其中,对于那些希望成为 SRE 工程师的读者,我们的建议很明确:先从第一版读起。

连 SLO 都开始讨论弱点了,Google 的可靠性标准变了吗?

David Blank-Edelman:我还想知道,第二版有没有提出一些与第一版截然不同,甚至有些“离经叛道”的观点?比如,你们会不会说:“SLI 和 SLO 过去确实很不错,但现在已经没那么重要了。”或者说:“可靠性当然很好,不过,现在我想跟你们谈谈韧性(Resilience)。”

David Huska:在讨论 SLO 和错误预算时,确实经常会涉及教条和异端之争。这两个概念可能是第一版中影响最广泛的内容,也是我们与云客户合作时最常被问到的话题。

在 Google,我们把 SLO 和错误预算作为一种协调决策的机制。当系统运行出现问题时,它们可以帮助团队判断何时应该暂停发布、集中精力改善可靠性,以及何时可以继续推出新功能。如果所有人事先就这套机制达成共识,那么即使出现故障,团队也能按照既定方案作出决策。这套方法至今仍然具有指导意义。

但在实际应用中,我们发现,一些企业认为这套机制限制了他们自主权衡风险的空间。毕竟,每个组织的业务情况不同,需要自行决定能够承担多大的风险。因此,他们更倾向于借鉴其中的原则,而不是完全照搬 Google 的做法。

后来,我们发现,不只是 GCP 客户,许多读者也逐渐形成了类似的认识:只要组织内部的信息足够透明,能够充分理解自身的业务风险,就可以根据实际情况决定如何使用 SLO 和错误预算,而不必严格遵循某一套固定规则。

不过,第一版中有一项核心原则始终没有改变,那就是 SLO 的价值在于帮助团队了解用户的真实体验,以及用户真正关心什么。Niall 在第二版中很好地强调了这一点。因为在编写第二版时,大家对 SLO 确实提出了各种不同的意见,最后由 Niall 负责把这些观点整合成一套连贯的表述,他完成得非常出色。

正如 Betsy 刚才提到的,有些基本原则不会改变。至于如何根据 SLO 制定错误预算、何时暂停发布等具体做法,则存在不同的观点和取舍,也更容易引发所谓的教条与异端之争。我们自己的看法也在不断调整,而这些变化,很大程度上来自外界的反馈,以及其他组织在实践中积累的经验。

Niall Richard Murphy:我认为,第二版中关于 SLO 的章节有一个非常独特的地方:它专门包含了一个讨论“SLO 的弱点”的小节。更广泛地说,第二版在很多章节中都更加充分地考虑了各种不同的权衡。因此,我们在描述如何采用某种方法时,也提供了更加细致、更有层次的讨论。

当然,在这本书的讨论中,我们还必须谈谈大家最喜欢的两个元音字母。第二版有一章讨论 AI for SRE,还有一章讨论 SRE for AI。这是两个截然不同的主题。我就先说到这里。

David Blank-Edelman:太好了。我们肯定会在最后继续讨论这个话题。不过,在那之前,我想先来一轮快速问答。

从自动化到组织文化,今天的 SRE 更需要关注什么?

David Blank-Edelman:从 Christof 开始吧。我想知道,在这本书中,除了你自己写的章节以外,你最喜欢、最推荐读者阅读的是哪一章?最好还能用一两句话解释一下值得关注的原因。

Christof Leng:对我个人来说,应该是关于 SRE 文化背景的那一章。因为它提供了很多背景知识,帮助读者理解在 SRE 领域怎样才能取得成功,以及为什么有时候你甚至还没有开始处理任何技术问题,就已经可能遭遇彻底的失败。

我认为,这一点经常被忽视。如果你完全忽略文化层面的问题,就很可能遇到大量麻烦,甚至根本不明白问题为什么会出现。所以,我认为我们有必要深入讨论这个主题,并且把它放在全书非常靠前的位置。

David Blank-Edelman:非常好。Betsy,轮到你了。这个问题对你来说可能有点难,因为你几乎参与了所有章节。即使选不出最喜欢的一章,至少能推荐一章吧?

Betsy Beyer:当然可以。有一章我个人非常喜欢,就是“自动化与工具”(Automation and Tooling)。这一章最大的优点,是提供了一套循序渐进的实践方法,从最基础的步骤开始,逐步深入。无论读者目前处于什么阶段,都能找到适合自己的起点,这一点很有价值。

此外,这一章还用了很长的篇幅讨论琐务(Toil)。这是 SRE 工作中一个非常重要的问题,书中不仅深入分析了琐务,还讨论了其中许多值得注意的细节,内容相当全面。

David Blank-Edelman:非常好。David,你会怎么选?

David Huska:我想我刚才已经回答过这个问题了。如果要推荐一章自己没有参与编写的内容,我会选“平台工程”(Platform Engineering)。这一章很好地展现了 SRE 从第一版到第二版的演变:我们当初提出了哪些建议,如今 Google 内部又是如何实践的,以及我们现在会向其他企业提出什么建议。它也很好地将软件工程与站点可靠性工程结合起来,体现了我们一直以来的初衷。

更重要的是,这一章说明,SRE 的基本原则并没有改变,改变的是我们解决问题的方式。这也是贯穿第二版的一个主题。随着技术工具、系统规模和商业环境不断变化,我们需要调整这些原则在实际工作中的应用方式,而不是抛弃原则本身。

如果可以再推荐一章,我还想介绍自己参与编写的“有价值的可靠性”(Valuable Reliability)。这一章体现了第二版的一种新思路:我们需要认识到,SRE 归根结底是一项业务职能,而不只是一门工程技术。SRE 的重要价值之一,是帮助企业在业务规模扩大的同时,避免运营成本以相同的比例增长,使企业能够持续经营和发展。但我们很容易只关注其中的技术问题,而忽略它对业务的实际价值。

“有价值的可靠性”这一章讨论的正是这个问题。如果企业只是因为 SRE 流行而投入资源,却始终把它视为运营成本,而不是一项竞争优势,那么到了下一轮预算审议,或者需要重新评估投入的时候,SRE 项目就可能面临被削减的风险。相反,如果组织内部能够充分理解 SRE 的价值,明确为什么需要投入可靠性建设,就能在此基础上形成共识。这也是我非常喜欢这一章的原因,它体现了第二版新增的一个重要视角。

当 AI 开始管理生产系统,SRE 如何应对不确定性?

David Blank-Edelman:最后,我们来聊聊那些即将统治人类的机器人吧。

关于 AI,我有很多问题想问。其中最让我好奇的是,你们是如何在这本书中讨论 AI 的?以我的经验,写 AI 就像用会逐渐消失的墨水写字,刚写下的内容可能转眼就已经过时,因为技术发展的速度实在太快了。

如今,几乎每位 SRE 都在思考 AI 将带来哪些变化。但对于一本纸质书来说,你们究竟该写些什么,才能让这些内容在出版后仍然具有参考价值,而不至于读者刚拿到书,里面的观点就已经过时?你们是如何解决这个问题的?

Betsy Beyer:我认为,我们通过“Tipping Point”(转折点)这一章,回应了 AI 将会如何影响 SRE 这个职业这个问题。围绕这个问题,目前存在大量焦虑和不确定性。我不能说我们已经明确回答了 AI 究竟会给 SRE 带来什么变化,但我认为,书中还是提出了一些很有参考价值的预测。

David Huska:有些事情我们还是能够确定的。作为 SRE,我们已经有多年运行机器学习系统的经验,现在也开始负责 AI 系统的运行。因此,对于其中一些问题,我们可以从基本原则出发进行讨论。这至少为我们提供了一个相对可靠的基础。

不过,你刚才提到的,确实是编写这本书时最让我头疼的问题。第一版已经出版了十年,而 AI 技术几乎每周都在变化。我们究竟该写些什么,才能保证十年后再回头看时,这些内容不会显得荒谬?为此,我们反复讨论了很久。

最终,我们还是决定回到第一性原理,重点讨论那些已经得到验证、能够确定成立的原则,以及为什么即使在 AI 时代,这些原则仍然适用。

我同意 Betsy 的看法,考虑到 AI 技术变化如此之快,我们最终还是很好地完成了这项工作。至于具体采用了什么方法,就先留一点悬念,等大家读了这本书就知道了。总的来说,这确实是一个很大的挑战,但我对最终呈现的内容非常满意。

Niall Richard Murphy:我想先提醒大家注意一个问题。相比今天参加讨论的其他一些人,我在日常工作中可能接触了更多 AI 领域的最新进展。比如,METR 有一张广为流传的图表,经常被用来衡量 AI 系统能够完成的任务有多复杂。从图中可以看到,AI 的能力正在快速提升。这也让我有些担心,我们现在写下的内容,可能今天就已经过时了,更不用说等到正式出版,或者读者真正拿到书的时候。

为此,我们团队反复讨论和修改,仔细斟酌究竟应该从哪些角度来写。最终,我们延续了第一版的思路,尽量围绕那些具有长期价值的基本原则展开,而不是介绍某项具体技术或某个特定版本,比如 HTML5 入门教程之类的内容。毕竟,后者很容易随着技术发展而过时。

但要准确评价 AI 在 SRE、软件工程等领域究竟能发挥多大作用,还有一个难题。除了技术迭代太快,更重要的是大语言模型本身存在一些固有局限。它们可能产生幻觉、编造信息,也容易受到干扰而偏离任务。从某些方面看,AI 的认知能力甚至超过了人类,但在另一些方面,它又可能是一个远远无法满足要求的协作伙伴。

如何应对这种能力上的不稳定性,是我们必须解决的问题,尤其是在生产环境中。因为一项任务的准确率是 99.9% 还是 99.5%,看似只有很小的差距,却可能产生截然不同的结果。我们也尝试在书中提出一些应对这些问题的指导原则。

最后,我想作一个预测:今年结束之前,我认为全球每一位 SRE 都需要对 AI 建立起足够深入、基于实际了解的认识,即使他们还没有亲自使用 AI 工具。到了这个十年结束之前,我们则必须学会如何有效控制这些系统。

Christof Leng:AI 正在非常迅速地改变我们的行业。但科技行业一直都在发生变化,而这正是它如此令人兴奋的原因。所以,对于科技领域的任何一个主题来说,其实都不存在一个绝对合适的出书时间。但这并不意味着我们就不应该讨论这些事情。

我认为,真正重要的是写下一本书,与阅读这本书的人交流,然后大家一起学习。我们在书中重点做的一件事,就是努力找到那些我们已经知道是正确的核心原则。现在,每个人都在尝试弄清楚,应该如何在生产环境中使用 AI。没有人知道,两年、五年或者十年之后,这件事究竟会变成什么样。但这本书有一部分内容,专门讨论如何安全地在生产环境中采用 AI。也就是如何一步一步地引入 AI,在这个过程中逐渐建立信心,同时尽可能降低风险。我认为,这是一种非常符合 SRE 思维方式的做法。

David Blank-Edelman:我希望,在我们的第二次讨论中,还能继续深入这些话题。我个人特别感兴趣的一个问题是:过去这么多年,我一直在运维领域工作,我们基本上都是在尝试利用具有确定性的系统,获得确定性的结果。但现在,我们突然拥有了一种本身并不倾向于产生确定性结果的工具。所以,我非常期待我们能够继续讨论这个问题。

好了,今天的讨论就先到这里。感谢各位参加这场分为上下两部分的讨论中的第一部分。在接下来的节目中,有些嘉宾会再次回来,也会有新的嘉宾加入。非常感谢大家今天与我们分享有关这本即将出版的第二版《SRE》的讨论。

播客链接:https://t.co/nkzVrTfQG0