在 AI 浪潮席卷运维领域的当下，我们常常陷入对“智能”的狂热追捧，却可能忽略了 SRE 的本质：一套将稳定性、效率、成本目标工程化、自动化的系统性实践。本次分享将结合小米在 AI for SRE 领域的探索，探讨一个核心命题：如何将 SRE 专家大脑中那些难以编码的隐性知识、经验与判断逻辑，有效地“注入” AI，并形成可度量、可进化的工程闭环？分享小米在核心 Skills 管理、记忆嵌入、数据资产沉淀方面的实践，解析背后的实现逻辑与架构。

演讲提纲

1. 回顾与演进——AI for SRE 的三级跳

2. 攻坚核心——SRE 知识资产的沉淀、激活与闭环

• Skills 管理：将 SRE 经验转化为可执行的“肌肉记忆”
• 记忆与知识库：构建AI的“情景认知”与“长期记忆”
• 数据统计与价值衡量：驱动闭环演进

3. 实现架构

• 总体架构蓝图
• 关键组件详解

4. 展望与反思——AI 时代的 SRE“债务”与壁垒

对于小米而言，各业务线庞大、复杂、历史悠久的运维数据、流程知识与系统间隐式依赖，既是训练“最懂小米”的AI的独一无二燃料，其梳理、整合、合规使用的难度也构成了最大的壁垒。成功的关键在于，能否将这些“数据资产”工程化为“情境化知识资产”。

您认为，这样的技术在实践过程中有哪些痛点？

• 知识沉淀层面：显性化与时效性的两难
• 可靠性与自主性之间的平衡之难
• 组织与流程层面：变革的阻力

演讲亮点

• 以工程方法弥补当前模型情境学习能力的不足
• 将知识管理体系设计成一个具有反馈闭环的系统，确保了 AI 能力的根基会随着时间越用越强，而非逐渐腐化

听众收益

• 了解 AI 在 SRE 领域从工具到伙伴的演进脉络与未来方向
• 了解小米在构建企业级 AI-SRE 闭环体系中的架构思路、核心组件与踩坑经验
• 探讨如何识别、沉淀和治理 SRE 核心数据资产，为自身企业的 AI 应用提供落地思路
• 重新思考流程、人与AI的关系，以及在效率提升背后必须面对的长期挑战