专题演讲嘉宾：周昕毅

AI 正快速进入研发、测试与运维场景，但“给 SRE 加一个 AI”并不等于真正的 AISRE。尤其在大数据平台中，故障链路复杂、组件依赖繁多、运维知识高度依赖专家经验，AI 从“辅助分析”走向“生产执行”仍面临信任、知识与闭环等问题。本次分享将结合携程大数据平台的实践，围绕稳定性、运维效率与成本治理三个典型场景，分享 AI 如何真正进入 SRE 的生产闭环。

演讲提纲

1. 开场：AI 到底能不能接管 SRE？

从三个真实问题切入：

• 告警来了，AI 能不能自己判断？
• 服务异常，AI 能不能自己修？
• 存储成本上涨，AI 能不能自己找出浪费？

结论：AI 能回答 SRE 的问题，不代表 AI 能承担 SRE 的工作。

2. 从 AI 辅助到 AI 闭环：SRE 的 AI 化到底意味着什么？

• AI 看懂告警、日志、指标
• AI 关联上下文并定位根因
• AI 生成处置方案
• AI 调用工具执行操作
• AI 验证执行结果并形成反馈

结论：真正的 AISRE，不是增加一个 AI Copilot，而是让 AI 进入完整的运维闭环。

3. 实践一：从“告警”走向“自愈”——AI 如何参与生产故障处置？

• 痛点还原
  • 告警噪音大，定位慢，人工处置依赖经验
• 闭环体系设计
  • 告警收敛与分级策略
  • 根因定位：从"报警"到"给答案"
  • 自愈执行：预案库加自动触发机制
  • 人工审核兜底：人监督AI的落地形式
• 效果
  • 平台故障 MTTR 降低 50%
  • 关键踩坑点：自愈误操作的防护机制

4. 实践二：从“专家经验”到“智能诊断”——核心组件故障如何让 AI 真正理解？

• 痛点还原
  • 组件种类多，问题现象分散，诊断依赖资深专家
• 工具设计思路
  • 诊断知识的结构化沉淀，包含案例库、规则库
  • AI辅助分析：日志理解加指标关联
  • 工具化设计：诊断能力作为可调用服务
• 效果与经验
  • 新人上手时间缩短，on-call 压力下降
  • 踩坑点：AI 给出错误诊断建议的处理机制

5. 实践三：从“资源监控”到“成本治理”——AI 如何参与存储优化决策？

• 痛点还原
  • 存储成本持续膨胀，人工治理效率低
• 工具建设思路
  • 数据访问特征采集与冷热识别模型
  • 自动化分级存储策略推荐
  • 与业务方的协作闭环
• 效果
  • 存储单价下降 20%
  • 踩坑点：冷热判断误判对业务的影响及补救措施

6. 总结：从 AI 辅助走向 AI 原生运维

• AISRE ≠ AI + SRE 的简单叠加
• 三个实践背后的共同基础
• 演进路径与未来展望

实践痛点

1. 自动化执行的信任建立需要过程

• 告警自愈闭环上线初期，工程师对"AI自动操作生产环境"普遍存在顾虑。需要经历"只看不动→人工确认后执行→低风险操作自动执行"的渐进式信任建立过程，不能一步到位

2. 知识沉淀是需要建立闭环机制而非一次性工程

• 智能诊断工具的核心是知识库，但故障经验高度依赖老专家，提炼和结构化的过程阻力大、耗时长，且随着组件版本迭代需要持续维护，容易出现"知识库上线即过时"的问题。

3. 效果评估的量化存在难度

• 目前虽然通过 MTTR 可以进行一定程度的量化，但 MTTR 的影响因素不能完全归因于AISRE的相关实践

演讲亮点

SRE 相关实践具有普适性，对其他 SRE 团队有参考价值，不只是晒成果，而是给同行一套可复用的方法论

听众收益

1. 一个可复用的方法论框架

•  “数据友好→开发友好→运维友好”三层递进模型，帮助听众评估自身团队的 AI 落地成熟度，避免跳步建设的陷阱

2. 三个可落地的工程实践

• 告警+自愈闭环的设计思路与防误操作机制
• 大数据组件智能诊断工具的知识结构化方法
• Storage Insight 冷热数据识别的实现路径

每个实践均来自携程生产环境，有具体踩坑经验可借鉴。

3. 一个清醒的认知校准

• 明确“AISRE ≠ AI + SRE 简单叠加"，帮助听众识别团队当前瓶颈到底是 AI 能力不足还是基础设施不够成熟，避免在错误的层面投入资源

4. 真实的效果数据参照

• MTTR 降低 50%、存储单价下降 20%，为听众在内部推动类似项目时提供可引用的行业参照数据