本文整理自QCon北京2026 田云龙分享《AI时代SRE变革实践》通过AI音视频总结工具Ai好记进行转录整理以下为视频转文字整理后的会议笔记内容。SRE站点可靠性工程这个词在AI时代有了全新的含义。以前保障的是服务、配置、数据库现在多了模型链路、推理链路、Agent决策链。混乱的维度翻了几倍传统的扩容、切流、降级这三板斧根本不够用了。为什么AI业务的稳定性跟传统不一样田云龙上来先给了一个判断「我们现在已经不是AI业务了而是实验业务了」。小红书AI搜索问答体系豆报、问一问、点点等已在去年上线并持续推广中成为核心生产系统。AI业务跟传统业务最大的区别在于都涉及多模型串联。文本模型、多模态模型、排序模型、推理模型像链条一样串在一起任何一个模型异常都会影响整个链条。一个模型效果波动可能引发用户吐槽影响广告收入同时GPU成本也会被连带波动。层级传统保障对象AI时代扩展对象基础层服务、配置、数据库服务不变中间层—模型链路、推理链路上层—数据链路、特征链路顶层—Agent决策链传统SRE的约束条件是发布、容灾、机房、容量。AI时代的约束变成了Prompt、Tool、Workflow、Memory、权限和模型行为规范。止损方式从简单的扩容、切流、降级演进为策略切换、人工接管、受控执行、基于token的降级。田云龙的原话是「我们需要保障整个系统是可判断的、可止损的并且可被人接管而不是完全自由化的」。双重AI系统既是保障对象也是保障工具一个特别有价值的概念是「双重AI系统」。AI时代的SRE面对两套系统一套是被保障的AI业务系统另一套是用AI去保障业务生产的工具系统。两者是相互关联的。被保障的AI系统会用到AgentAgent在不确定情况下执行错误判断反过来会放大线上影响。这对SRE的全链条控制能力提出了更高要求。AI-in-SRE Loop事前事中事后全流程闭环田云龙团队将AI引入到SRE的完整工作流程中形成一条全闭环链条。事前AI化巡检、容量评估、风险治理从依赖「人加平台做决策」转为AI自动判断。AI可以无休止工作更快发现潜在问题。事中AI化AI分析告警信息辅助决策处置阶段采用人机协同。目前还没做到全自动但分析环节已经完全AI化。事后AI化每一次故障的处理经验自动沉淀为知识库成为下一次迭代的基础。核心公式「AI-in-SRE Loop让系统更早被发现更快形成决策判断止损更高效整个过程形成闭环沉淀为下一次迭代的基础」。Harness工程给Agent加护栏Agent不能自由发挥——这是田云龙团队的核心立场。他举了一个很形象的例子「如果让AI自由发挥可能对于我们运维来说是一个天灾」。Harness约束框架包含三层控制约束输入Agent能接收什么信息不能接收什么信息有限定约束推理推理过程有固定的链式结构不是自由发散受控执行Agent做出动作后必须有反馈校准环节执行路径上规划了三级递进从只读建议人审查后操作→辅助判断只需人做action确认→有限自动化特定条件下自主执行。核心原则是「让创造性留在判断层确定性留在执行层」。落地案例怎么把方案变成现实具体落地上田云龙展示了几个关键技术方向Agent决策链的可观测性。传统链路追踪只能跟踪服务之间的调用现在要跟踪模型调用和Agent的决策路径。每个决策步骤都要记录上下文方便事后回溯Agent为什么做这个选择。基于token的降级策略。传统降级是切流或关闭功能AI时代的降级可以更精细——减少模型输出的token数降低推理质量以换取响应速度。这对成本控制也有效。人机协同的事故处置。告警触发后AI先做初步分析给出故障范围、根因推断和推荐操作人工确认后执行。执行完再交给AI做效果验证。这套框架适合什么场景已经在用AI能力支撑核心业务的技术团队需要重新定义SRE的保障边界正在建设Agent平台的团队需要参考Harness约束框架的设计思路对AI运维感兴趣的技术负责人想了解同行在AI稳定性方面的前沿实践常见问题QAI建模SRE需要自研Agent框架吗A不一定需要从头自研。可以先利用现有框架快速落地MVP验证再逐步加入企业私有接口的集成。QHarness约束框架跟传统限流有什么区别A传统限流关注的是请求层面Harness关注的是Agent的决策层面两者是不同维度的防护。Q双重AI系统的概念怎么落地A建议从梳理你目前的AI业务系统和运维系统的关联路径开始找出Agent决策可能影响业务的环节优先加约束。Qtoken降级在实际场景中怎么用A可以理解为一种精细化的流量控制——不关服务只减少模型输出的计算量。适合对响应质量不敏感的实时告警场景。以上内容由Ai好记转录整理。Ai好记是一款音视频转图文笔记的AI音视频转录总结工具支持解析B站、抖音、小红书、小宇宙等平台链接及本地/网盘音视频文件转录后自动视频转文字生成精华速览、思维导图和结构化笔记等内容形式帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。