Databricks如何利用AI加速事件调查
内容提要
Databricks开发了AI SRE调试代理，用于在事件发生时自动关联信号、执行运行手册，帮助值班工程师快速定位根因。它通过分层架构（原语、API、核心引擎、应用层）支持自动分诊和交互式调查，强调结构化检查、透明证据和优雅降级。目前支持150多个团队，每日运行2000多次调查，显著减少调试时间。关键经验是让团队拥有专业知识、先构建上下文层、通过可追溯证据赢得信任，并确保代理有护栏。
延伸解读
调试的本质是连接信号
文章指出，工具本身不是问题，真正的负担在于值班工程师需要手动将分散在多个工具中的信号关联起来。AI SRE的价值在于自动完成这一连接过程，将原本存在于资深工程师脑中的经验模式化、自动化，从而显著缩短新工程师的调试时间。
分层架构与信任构建
AI SRE采用分层架构，从原语、API到核心引擎和应用层，每层职责清晰。其成功关键在于通过结构化检查、透明证据和优雅降级来赢得工程师信任。所有结论都链接到具体证据，工程师可以验证，这比黑盒式的AI建议更可靠。
团队专业知识与护栏
AI SRE允许团队通过可组合的agentic runbooks维护自己的专业知识，避免集中式代理的僵化。同时，为代理设计护栏至关重要，因为代理的查询模式与人类不同，需要重新设计API层以防止对基础设施造成冲击。
Q&A
Databricks的AI SRE调试代理是什么？
AI SRE是Databricks开发的一个AI驱动的调试代理，用于在事件发生时自动关联信号、执行运行手册，帮助值班工程师快速定位根因。它支持自动分诊和交互式调查，目前支持150多个团队，每天运行2000多次调查。
AI SRE的架构分为哪几层？每层的作用是什么？
AI SRE采用分层架构：原语层提供原始操作数据；API层提供受控、统一的数据访问；核心引擎负责并行执行、结果关联和LLM合成；应用层是实际调试发生的地方，支持平台级和团队级机器人。
AI SRE在自动分诊时并行启动哪三条调查轨道？
自动分诊时并行启动三条调查轨道：平台健康检查、服务级分析和运行手册执行。平台健康检查评估服务运行环境；服务级分析拉取相关日志、指标和追踪，并检查部署和配置变更；运行手册执行则按团队编码的调试步骤进行。
AI SRE如何确保其推荐的可信度？
AI SRE通过结构化检查优先于开放式推理、透明证据和优雅降级来确保可信度。每个结论都链接到具体证据，如指标、日志行或部署差异，工程师可以验证推理。如果无法确定根因，它会明确说明并展示已收集的证据。
AI SRE目前的使用情况如何？
AI SRE目前支持Databricks内部150多个团队，每周有250多名活跃用户，每天运行超过2000次调查，节省了数小时的调试时间。
构建AI SRE的关键经验有哪些？
关键经验包括：让团队拥有自己的专业知识，通过可组合的原语维护运行手册；先构建上下文层，理解工程师的调查方式；通过可追溯证据赢得信任；为代理设置护栏，确保它们不会影响基础设施。
AI SRE未来的发展方向是什么？
AI SRE未来的发展方向包括扩展到引导缓解阶段，帮助工程师安全地采取纠正措施；以及跨事件学习，利用过去事件的模式改进未来诊断，提前发现重复问题，并帮助团队识别系统性可靠性差距。
