Google SRE 团队已经开始使用基于 Gemini 的 AI Agent 开展自主排障,这套 Agent 可以自动拉取指标、日志、链路追踪数据,自动筛选变更记录、生成故障假设、执行预定义缓解动作,但核心生产变更都带有风控闸门,高风险操作必须人工审批,它不是直接把 SRE 工程师替换掉,而是把告警之后重复查日志、核对监控、对照排障手册这类耗时工作交给 Agent,工程师把精力放在风险判断、架构容量、SLO 策略、复杂疑难根因上,整套模式正在改变传统 on-call 轮班、人工逐条排查的运维流程。
一、AI Agent 排障和传统自动化对比
| 模式 | 执行逻辑 | 优势 | 风险边界 |
|---|---|---|---|
| 传统运维脚本 / 告警自愈 | 固定规则、固定触发条件,匹配预设故障 | 稳定、可审计、确定性强 | 只能处理已知故障,新异常、罕见故障无法处理 |
| AI Agent 自主排障 | 大模型理解告警语义,自主检索观测数据,动态生成排查路径 | 能适配未知、模糊、多信号叠加的复杂故障 | 容易产生幻觉,误判根因,高风险操作必须加管控 |
二、Google 这套 AI Agent 排障完整工作流
- 接收告警:监控系统推送告警,Agent 自动接收故障摘要、服务、集群信息;
- 自动采集观测数据:拉取 metrics、日志、trace、最近发布变更、配置变更记录;
- 推理生成假设:关联多源信号,输出多条根因猜想,附带证据清单;
- 匹配排障预案:检索历史事故文档、SRE 排障手册,给出缓解方案;
- 分级执行动作:低风险、可回滚动作(重启 Pod、切流量)可自主执行;高风险动作提交人工审批;
- 持续验证:执行之后持续观测指标,判断故障是否恢复;
- 输出事后复盘文档:自动整理时间线、证据、根因、处理动作,生成 postmortem 初稿。
三、权限与风控设计(Google 重点落地的规则)
- 分级自治:分 L0-L4 自治等级,只有低风险、可逆、影响范围极小的动作才允许 Agent 自主执行;
- 动作白名单:Agent 能调用的运维指令有严格清单,不允许随意执行高危删数据、改核心配置操作;
- 强制回滚机制:Agent 执行的每一步自愈操作都要有一键回滚方案;
- 置信度熔断:Agent 对根因判断置信度低时,直接停止动作,转为通知人工 SRE 介入;
- 全链路审计:Agent 所有查询、命令、决策、动作全部留痕日志,方便事后审计。
四、运维岗位带来的变化方向
- 减少的工作:重复查日志、翻监控、对照手册、写事故复盘初稿这类机械排查工作;
- 新增的工作:维护 Agent 知识库、评测 Agent 排障准确率、治理幻觉、设计风控策略、评估自愈动作风险;
- 核心不变的工作:SLO / 误差预算规划、容量规划、架构改造、重大故障决策、业务风险权衡。
【常见问题】
问题 1:Google SRE 让 AI Agent 自主排障,是不是意味着 SRE 工程师以后不用值 on-call 了?
回答 1:Google SRE 使用 AI Agent 自主排障主要是接管基础排查和低风险自愈,重大故障、高风险变更、Agent 无法判断的异常依旧需要 SRE 工程师 on-call 介入,不会取消人工值守。
问题 2:Google SRE 的 AI Agent 自主排障,会不会出现 AI 误判,把正常服务搞崩?
回答 2:Google SRE 的 AI Agent 自主排障设置了分级风控、置信度校验、动作白名单、强制回滚机制,高风险操作需要人工审批,以此降低误判引发的二次故障风险,但幻觉风险依然无法完全消除。
问题 3:Google SRE 的 AI Agent 自主排障,和以前的传统自愈脚本差别在哪?
回答 3:传统自愈脚本只认固定规则,只能处理提前写好的故障;Google SRE 这套 AI Agent 自主排障可以理解模糊告警、自主检索多源观测数据,处理没有预设规则的新型故障。
问题 4:Google SRE 落地 AI Agent 自主排障之后,普通企业运维可以直接照搬这套方案吗?
回答 4:Google SRE 的 AI Agent 自主排障依赖完善的可观测体系、标准化排障知识库和成熟的分级风控体系,普通企业观测数据不全、预案不足,直接照搬很容易出现风险,建议从辅助排查先起步。
【数据来源】
[2026-11-06](How Google SREs Use Gemini CLI to Solve Real-World Outages)Google Cloud 官方博客
[2026-11-06](从告警到事后分析:谷歌云 SRE 团队运用 Gemini CLI 处理故障)InfoQ 中文站
[2026-11-05](Google SRE AI Agent 故障自治等级与风控架构)运维技术社区
【免责声明】
本文 Google SRE AI Agent 自主排障内容仅为公开技术方案解读,不同公司基础设施、故障风险等级差异巨大,AI 运维自愈存在幻觉、误操作风险,不建议直接在生产环境无防护上线自主排障 Agent,本文不构成运维改造落地指导方案。
