工程师 Cindy Sridharan 用 Claude 修复三个生产 Bug 后总结：AI 的根因分析往往条理清晰却结论错误，原因在于人类对 AI 生成代码的理解不足。核心方法是先让 Agent 采集客观事实，再推导假设，把调试转化为约束满足问题——用对照寻找强信号，用全部事实验证假设，矛盾即剔除。读代码应是最后一步。复现与对抗评审只是排除手段，需附证据。人工干预次数是衡量 Agent 原生基础设施成熟度的最诚实指标。

Palo Alto Networks推出AI驱动可观测性平台Cortex XCOR，可在告警触发后自动调查问题并推荐修复方案，平均3分钟内完成根因分析，成功率75%。该平台基于收购的Chronosphere团队构建，旨在将可观测性从静态仪表盘和人工响应转变为AI优先体验，让SRE从救火转向战略性架构工作。

AIOps将AI与机器学习用于IT运维，可检测异常、关联事件、定位根因并自动响应，介于可观测性与行动之间，不取代人工判断。分为分领域聚焦与跨领域两类，常见用例包括根因分析、异常检测、多云监控、云迁移与DevOps协作。其效益为缩短MTTR、降低成本、提升可观测性，但依赖数据质量与流程整合，宜分阶段实施。

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。

Atlassian开发了自动化根因分析系统，将RCA视为跨信号类型、时间和拓扑的三维关联问题。系统通过服务拓扑缩小范围，独立检测指标、日志和追踪异常，经时间关联和依赖图分析生成排序假设，并附可读叙述。模块化设计支持渐进改进，显著减少人工排查时间，提升事故响应效率。

论文提出ORCA-bench，一个生产保真度的根因分析基准测试，用真实微服务系统评估语言模型Agent。在1,079个任务中，最佳模型中等难度准确率仅25.3%，困难任务仅10.0%，且移除源代码访问会降低性能。测试床含六天遥测数据，结果经专家验证，但真实系统更复杂，实际表现可能更差。

AI编程工具加速代码开发，但机器生成的代码让SRE难以理解系统故障。Chronosphere建议企业自建AI SRE代理，通过整理系统信息生成Markdown文件，辅助根因分析。尽管其提供商业产品，但强调自建过程能积累关键上下文，最终仍需遥测和可观测性工具支持。

Elastic收购AI调查平台Deductive AI，其AI SRE代理可连接代码、遥测源和组织知识，进行根因分析并优化调查路径。结合Elastic的AI能力，旨在减少手动调查时间，更快解决生产问题。现有客户将继续获得支持，未来将公布产品路线图。

在复杂的云环境中，运维团队面临挑战。CloudWatch AIOps 利用人工智能和机器学习技术，自动化根因分析，快速定位和解决问题，从而提高故障排查效率，减轻运维负担。

Elastic收购开源AIOps公司Keep Alerting Ltd，整合其事件管理和根因分析能力。Keep将与Elasticsearch和Kibana集成，继续保持开源，提升用户的AI自动化体验。

本文介绍了根因分析的原则和业务结构，以及监控数据的分析。通过对Tomcat和Database的RT监控数据的比较，发现高并发情况下Tomcat的RT上升，Database的RT下降。进一步分析发现，这是因为Tomcat在Database响应慢时拦截流量，导致Tomcat的RT上升。同时提到了Druid连接池的报错问题和分片逻辑的影响。总结了问题的根本原因和压测能过的原因。

Elasticsearch 8.7 引入新的 Health API，用于诊断集群健康问题。该 API 提供红、黄、绿状态，支持快速概览和详细根因分析两种模式，通过模块化指标检测主节点稳定性、分片可用性、磁盘空间等，并给出具体修复建议和操作指南，帮助用户自助解决问题。