AI in SRE: How Google is Engineering the Future of Reliable Operations

编译摘要

1. 浓缩

• 核心结论 1：生产 handoff packet 可以是可编译对象，而不是一段临时摘要。
  • 关键证据：AI Operator 从结构化 context catalog 选择 enrichers、skills、prompts，并在升级时把完整 investigation history 写入 incident UI。
• 核心结论 2：handoff 必须保留“已经查过什么”，否则人类会从头重复调查。
  • 关键证据：Google 明确把 seamless pickup without restarting 作为交接目标。
• 核心结论 3：升级上下文应与执行边界分离。
  • 关键证据：Google 将 reasoning engine 与 deterministic execution engine 解耦；handoff 是调查/决策状态交付，不是自动放开生产修改权限。

2. 质疑

• “数千起 incidents”与 Golden Data 效果均为 Google 自述。
• 没有比较 full history、structured summary、evidence-only 等不同 packet 的人类结果。
• 没有公开 receiver queue/load、clarification count、handoff latency 对 resolution 的联合分析。

3. 对标

• 对 EX-003：提供真实长程 incident 场景的 packet / trace handoff 设计锚点。
• 对 Escalation-Based-Human-Oversight：人类接手的充分条件不只是收到告警，还要收到可继续工作的 investigation state。
• 对 Agent-Security：handoff packet 与 execution authority 必须分开，不应因为交接完整就自动获得动作权限。

关联概念

• Escalation-Based-Human-Oversight
• Agent-Security
• Alert-Closed-Loop
• Verifiable-Agent-Engineering