
过去与现在的调试工作
几十年来,调试工作主要是局部性问题。服务 A 故障由负责团队处理,他们了解服务情况,应急响应等机制也基于此模式。当故障局限局部时有效,如部署导致内存泄漏等,负责团队可调查解决。但这类故障在生产故障中占比渐少,AI 生成代码本身可靠性不低,变化在于代码数量和更新速度。如今团队引入更多代码,触及更多系统,架构演进更快,系统互联性增强,故障常在根源外显现。单环节故障是局部问题,多环节故障不同,如结账 API 超时,但结账服务内部正常,实际是架构变更部分向后兼容,队列消费者丢消息,各团队判断没错却无法解释客户购买问题。问题关键在于知道哪些证据重要、信号是否巧合及如何串连线索成因果链。
AI 在生产运维中的角色
这改变了 AI 作用,不能将其视为神奇值班工程师,前沿模型缺乏实际背景。在生产环境中,实用 AI 功能具体,可整合上下文信息等,能完成故障处理初期 20 分钟工作。人类负责需判断力的决策,但不应花大量时间重新了解运行系统,这才是生产力提升点。若 AI 承担更多故障排查工作,工程师可专注有价值工作,如简化架构、改进监测手段等,还可将生产经验反馈到开发环节。
让工程师专注核心工作
目标是避免工程师在系统应处理工作上浪费判断力。AI 缩短故障处理时间,更大好处是让资深工程师有更多时间预防未来故障。随着 AI 加速软件开发,生产运维也需加速,包括更快的调试速度和更合理分配人力注意力,要让生产系统更清晰易懂、有弹性,减少对在岗专家的依赖。
1617



被折叠的 条评论
为什么被折叠?



