当 AI 处理你 95% 的故障响应时，你处理真正重要的那 5% 的能力是否会变差？

Elizabeth 2026年2月28日 2053 分享

💌大家好，我是来自 SigNoz 的 Elizabeth！

这份通讯是一次坦诚的尝试，聊聊所有相关话题——可观测性、OpenTelemetry、开源以及介于其间的工程实践！
&
这篇文章花了 6 天 5 小时才打磨完成，希望你喜欢。*🌚

如今科技圈流传着两个流行的预言。

第一个说 SRE 是所有软件工程的未来，随着 AI 编写越来越多的代码，留下来的人类将是那些维持系统存活的人。第二个说 AI 会活活吞噬每一个技术岗位，包括 SRE。如果你是一名 SRE，正试图弄清楚 2027 年的周二会是什么样子，那么这两个预言都没什么用。

让我们通过审视已经发生的事情，来提出一个更接地气的问题：当 AI 处理你 95% 的故障响应时，你处理真正重要的那 5% 的能力是否会变差？

我们大多数人已经在日常工作中使用 AI（大脑有点炸了！），SRE 们也是如此。今天的讨论议程不是 AI 是否会取代 SRE，而是 AI 是否正在悄悄削弱 SRE 的能力，以及在下一次新型故障袭来之前，是否有人会注意到什么。这场整个辩论的基础框架来自一篇 1983 年的研究论文，它有着令人不安的先见之明。

自动化的讽刺：第一部分

作者注：以下是自动化历史的一个简短前奏，如果你对历史和文化感兴趣（像我一样 😉），你可能会喜欢。

1983 年，一位名叫 Lisanne Bainbridge 的认知心理学家发表了一篇名为《自动化的讽刺》的论文。它成为人因研究领域被引用最多的论文之一，其核心论点在今天看来几乎令人不安地切中要害。

Bainbridge 研究了当工厂和工业系统将蓝领操作员的工作自动化时发生了什么。研究结果充满悖论，并揭示出：一个流程自动化程度越高，在自动化罕见的失败时刻，人类操作员就变得越关键；而他们得到的练习越少，在这些干预上就变得越差。自动化本质上是为了将人类从循环中移除而设计的，却留给了他们最糟糕的工作，即长时间的被动监控，间以罕见的高风险危机，而他们对这些危机越来越缺乏准备。

是不是有点耳熟？🙂

基本上，我在 AI 革命与工业自动化之间画了一条平行线。工业自动化通过接管常规体力任务重塑了蓝领工作，留下来的工人不得不处理他们已经失去肌肉记忆的例外情况。AI 对知识工作者做着同样的事情：接管常规认知任务——模式匹配、分诊、已知问题解决——把罕见、复杂、模糊的问题留给人类。

正是那些需要深厚专业知识的问题，正是那种当你停止练习就会萎缩的专业知识。

现在我们正用 AI 智能体重演这一模式，而软件系统中的利害关系只会越来越大。

AI 在 SRE 领域的现状

我们来梳理一下站点可靠性工程（Site Reliability Engineering，SRE）领域当前的处境。

哪些已经实现自动化或被 AI 深度辅助？

告警降噪与智能分组、针对已知问题的运行手册（runbook）执行、日志模式检测与异常标记、基于历史事故数据的基础根因建议，以及对已知失败模式的自动修复（例如重启崩溃的 Pod、对负载过高的服务进行扩容），这些目前都已相当自动化。

哪些即将到来？

一些近期的目标包括：跨指标、日志和追踪的多信号关联；针对部分已理解故障的自主根因分析；在用户受到影响之前预测事故；AI 驱动的变更风险评估与自动回滚。

PagerDuty 将其描述为一个分层模型。

• 一级事故：已知问题且有已知修复方案，完全自动化处理。
• 二级事故：部分已理解的问题，由 AI 给出建议，人类进行验证。
• 三级事故：新颖、复杂、级联式的故障，仍由人类主导，AI 提供辅助上下文。

但问题就在这里。

如果人类 SRE（好吧，现在我们得用“人类”这样的形容词了 🥹）只处理三级事故，也就是那些新颖的、前所未见的故障，他们又从哪里培养处理这些故障的直觉呢？直觉通常来自多年的实战事故响应、通过重复建立起来的模式识别，以及对系统那种只有半夜痛苦地爬起来解决让系统宕机的 bug 才能培养出的本能理解。

如果你愿意读更多犀利观点，欢迎订阅。我们正在酝酿一些很棒的内容！

技能退化的危机

从这里开始，情况变得模糊起来。让我们看看一些关于 AI 在多个领域引发技能退化的新研究，这些研究描绘出一幅一致而令人担忧的图景。

在医学领域，最近的一项研究发现，使用 AI 辅助进行息肉检测的内镜医生，在经历一段时间的 AI 使用后，其无辅助检测率从 28% 下降到 22%。他们本应是该领域的专家，却在分内之事上退步了——不是因为他们忘记了理论，而是因为他们停止了锻炼这项技能。

在航空领域，研究表明，严重依赖自动驾驶系统的长途飞行员，在情境意识和手动飞行能力上出现了可测量的退化。这个问题严重到美国联邦航空管理局（FAA）如今强制要求增加手动飞行时间，以抵消这种影响。

在过去一年里的某个时候，AI 不再是我偶尔伸手去用的工具，而变成了我总是最先伸手去用的东西。我现在的本能是尽可能把任务外包出去，只在绝对无法避免的地方才动用我自己的思考。问题在于，这些时刻正变成我的大脑唯一能得到的锻炼，而我能感觉到那种生锈。

我们可以从中归纳出一个模式。你让系统处理的事情越多，你自己处理事情的能力就越差——而真正危险的部分在于，你感觉不到它正在发生。它被伪装成超高效。认知研究表明，由于 AI 工具让任务感觉更轻松，并提升了可见的绩效，用户往往无法准确判断自己技能的真实状态。你觉得自己很能干，仪表盘一路绿灯，然后某个周三，一起 AI 从未见过任何模式的新事故袭来，你才意识到那块肌肉已经萎缩了。

对 SRE 而言，这体现在一些具体方面：我们不再阅读原始日志流，因为 AI 会做摘要；我们不再在事故中形成假设，因为 AI 会给出根因建议；我们不再构建系统架构的心智模型，因为 AI 替我们映射依赖关系。单看每一项，都像是生产力的胜利。但合在一起，它们掏空的恰恰是当事情以无人预料的方式出错时，让 SRE 能够有效应对的那份专业能力。

但还有比技能退化更令人担忧的事情，研究者们已经开始称之为从未习得（never-skilling）。技能退化意味着你曾经拥有某种能力，后来失去了它。从未习得则意味着你从一开始就没有培养出这种能力。对于今天进入这个领域的初级 SRE 来说，在一个由 AI 处理大部分事故响应工作流的环境中，通过亲手实践来建立基础直觉和肌肉记忆的机会正在消失。

培养人才的管道本身已经损坏，而且不会自愈。

SRE 意识到自己的技能正在退化，于是更多地依赖 AI 来弥补，而这又进一步加剧了技能退化，形成一个难以逃脱的恶性循环。