Site Reliability Engineering
PulseAugur coverage of Site Reliability Engineering — every cluster mentioning Site Reliability Engineering across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
GenAI面试准备：排查Linux服务器缓慢问题
本文提供了一份排查Linux服务器缓慢问题的指南，这是GenAI和DevOps面试中常见的场景。文章详细介绍了在CPU、内存、磁盘I/O和网络性能方面诊断问题的系统性方法。作者还推广了一个为期90天的结构化准备计划，以应对GenAI及相关工程岗位的挑战。
-
AI 和 DevOps 会议的征稿即将截止
两个即将举行的会议 "AI in The New Era - September 2026" 和 "DevOpsDays Floripa 2026" 的征稿将在 24 小时后截止。两个会议都使用 Sessionize 平台来管理投稿。
-
AI工具自动化系统故障根本原因分析
本文详细介绍了Alert Adviser的实现，这是一款人工智能驱动的工具，旨在自动化系统故障根本原因的分析。该工具与Grafana MCP集成，并使用代码构建，旨在通过提供自动化诊断来简化站点可靠性工程（SRE）任务。
-
新的 AI 技能增强站点可靠性工程任务
一项新的站点可靠性工程 (SRE) 技能已开发完成，旨在协助 SRE 和参与相关工作的人员。该技能兼容主流 AI 代理，旨在为 SRE 工作提供大力支持。该项目可在 GitHub 上找到。
-
本地大语言模型运维面临主机稳定性风险，SRE原则提供解决方案
在本地运行大语言模型（LLM）会带来超出提示词优化的独特运维挑战，尤其是在主机系统稳定性方面。最近发生的一起事件凸显了并发的资源密集型操作（如模型下载和加载）如何会压垮机器，导致崩溃和数据丢失。为防止此类故障，文章提出了一种“预检门禁”系统，该系统在启动重度操作之前检查关键主机条件（如可用内存），并借鉴了已建立的站点可靠性工程（SRE）原则，如背压和条件执行。
-
新90天计划培训工程师掌握AI与基础设施的交叉领域
IdeaWeaver AI Labs 推出了一个为期90天的强化面试准备计划，专为DevOps、SRE、平台及前线部署工程师设计。该计划将于9月14日至12月12日进行，旨在为工程师提供在基础设施与生成式AI交叉领域所需的技能。课程涵盖五个方向：GenAI & LLM工程、Python & DSA、系统设计、DevOps & SRE自动化，以及动手实践AI项目，由经验丰富的讲师授课。
-
AI 模型 GPU 选型指南侧重于权重和 KV 缓存的显存
本文为站点可靠性工程师提供了一种估算托管 AI 模型所需的 GPU 内存（显存）的方法。它将显存消耗分解为模型权重、并发请求的 KV 缓存以及其他开销。该指南强调了 AWQ 等量化技术如何显著减小模型权重的内存占用，从而为 KV 缓存腾出显存，进而提高服务容量。
-
CNCF Campinas 将举办线下聚会，解决参会者缺席问题
Cloud Native Computing Foundation (CNCF) 将于9月30日在巴西坎皮纳斯举办线下聚会。活动将在 LHC - Laboratório Hacker de Campinas 举行，并将涵盖与 Cloud Native 技术、Kubernetes、DevOps、平台工程和站点可靠性工程相关的主题。组织者正在解决一个重大的缺席问题，大约有 50% 的注册参会者未到场，并敦促已注册的参会者只有在能够真正出席…
-
京东云基础设施MCP增强了云管理的LLM安全性
一种将大型语言模型（LLM）与云基础设施管理集成的新方法已被开发出来，重点关注安全性和代理。京东云基础设施MCP（托管云平台）引擎通过在本地执行加密签名来解决LLM直接访问敏感云凭证的风险。这种关注点分离阻止了LLM处理原始签名逻辑，从而降低了暴露或注入的风险。
-
AI 事件响应框架优先考虑用户伤害而非可用性
本文概述了一个针对 AI 功能定制的新事件响应框架，解决了与传统软件相比它们带来的独特挑战。它提出了一个基于用户伤害和可逆性而非仅仅可用性的严重性等级，其中 Sev1 事件需要立即进行输出遏制。该框架强调了快速诊断的必要性，包括确定开始时间、提示或模型的更改、受影响的用户和成本，所有这些都由特定的 SQL 查询支持。至关重要的是，它提倡预先配置的运行时开关，以快速固定模型、回滚提示或禁用功能，确保在 AI 相关事件期间能够迅速缓解。
-
对LLM驱动的SRE工具的怀疑论日益增长
作者对严重依赖大型语言模型（LLM）的站点可靠性工程（SRE）工具表示怀疑。他们认为这些工具可能是一种营销策略，旨在销售承诺解决所有问题的“AI产品”，而不是真正的解决方案。
-
Claude Code简化SRE任务，将繁琐工作减少85%
Claude Code，一款新的原生于终端的AI代理，显著减少了站点可靠性工程师（SRE）在重复性任务上花费的时间。通过在用户明确批准下直接在用户机器上执行命令，它可以自动化诸如生成Terraform代码、编写runbook和起草事后复盘等工作流程。该工具旨在通过与现有基础设施和编码约定深度集成来简化SRE运营，具体细节详见自定义的CLAUDE.md文件。
-
LLM电子邮件工作流需要运行手册以确保稳定性
本文讨论了管理由大型语言模型（LLM）生成的电子邮件工作流的健壮运行手册的重要性。作者认为，虽然LLM生成的文本是可见的，但底层的操作程序，即运行手册，对于生产稳定性至关重要。如果没有对输入、检查点和可观察输出的清晰定义，重试可能会变得不可预测，调试也会变得困难。提出的解决方案是将电子邮件设计为具有清晰边界的操作，而不是纯粹的创意输出，确保LLM在这些定义的限制内运行。一个最小的运行手册应包括唯一的运行ID、事件类型、状态快照、交付策…
-
AI 代理通过 MCP 自动化 Logstash 瓶颈分类
一位站点可靠性工程师详细介绍了模型上下文协议 (MCP) 如何自动化 Logstash 性能瓶颈的分类，超越了简单的聊天机器人查询，实现了与实时基础设施的代理式交互。通过将兼容 MCP 的代理（如 Cursor 中的 Claude）与 Logstash 的 API 集成，工程师可以使用自然语言执行健康检查、识别资源或吞吐量问题，并精确定位特定问题（如热线程），从而显著减少手动调查时间。文章强调了在授予 AI 代理访问生产系统权限时，需…
-
aiHelpDesk 的 SRE 框架中的 AI 呼应了 Google 的蓝图
aiHelpDesk 已独立开发了一个站点可靠性工程 (SRE) 框架中的 AI，该框架与 Google 最近发布的蓝图一致。Google 和 aiHelpDesk 都强调通过透明度、实时风险评估以及生产环境中 AI 代理的渐进式授权来实现安全性。Google 的框架包含一个名为 "Actus" 的代理用于安全验证和一个紧急断路器，而 aiHelpDesk 的 "Governance" 层提供了类似的功能。aiHelpDesk 将其默…
-
LLM邮件审批需要强大的架构来防止漂移 · 跟踪4个来源
自动化工作流中LLM生成的邮件的核心问题不在于模型本身，而在于审批流程，如果管理不当，可能导致消息漂移。为防止这种情况，需要一个强大的架构，将审批视为正式合同，确保内容一旦被批准，就会被快照并保持不变。这种方法将草稿生成与最终交付分开，使用诸如`run_id`和`policy_version`之类的唯一标识符来保持可追溯性并防止重试更改已批准的消息。这种纪律对于审计、调试和确保一致性至关重要，尤其是在使用临时电子邮件服务进行测试时。
-
RAG 与 MCP：AI 代理可靠性的关键边界
检索增强生成（RAG）与 MCP（指代理的行动能力）之间的区别对于构建可靠的 AI 系统至关重要，尤其是在生产环境中。将 RAG 和 MCP 视为竞争性技术是一种类别错误；RAG 解决的是代理知道什么，而 MCP 定义的是它能做什么。当这两层之间的边界未在代码中明确定义和强制执行时，就会产生关键的生产风险，导致代理根据过时信息执行操作或误解其能力。在知识检索和执行层之间实施一个清晰、可审计的门控机制，对于控制代理系统潜在故障的爆炸半径至关重要。
-
AI代理通过模型上下文协议获得ML基础设施控制权
模型上下文协议（MCP）正在使AI代理能够管理机器学习基础设施，它超越了简单的文本提示，实现了结构化执行。该协议允许代理（如与Baseten集成的代理）与部署状态进行交互、审计GPU实例并执行库存检查。通过为代理提供可观测性工具和处理复杂数据负载的能力，MCP将集成开发环境转变为机器学习运维的功能控制平面，提高了效率和安全性。
-
AI护栏需要SRE原则，而非内容审核
生产环境中的AI安全措施通常依赖于内容审核模型，侧重于对输入和输出进行分类。然而，AI系统中关键的故障通常类似于分布式系统问题，例如级联错误或通过重试放大不良状态。文章认为，AI护栏应采用站点可靠性工程（SRE）的原则，而不是传统的信任与安全方法，以有效解决这些系统性问题。
-
DevOpsDays Zürich 2026：探讨务实的 AI 采用和 SRE 挑战
DevOpsDays Zürich 2026 的录像讨论了 AI 采用的实际挑战。Lena Fuhrimann 强调，让 AI 怀疑论者、爱好者和追求稳定性的人达成一致是主要障碍，并强调需要找出值得解决的问题。Bastian Spanneberg 分享了他从怀疑 AI 到不情愿地接受其在站点可靠性工程任务中的应用的过程，并指出 LLM 在特定应用中出奇地有效。