AI SRE 进入真实运维后，难点往往不在模型能不能回答问题，而在它能否在多人协作、生产权限和长会话里可靠地完成任务。本次分享基于一个 AI SRE 平台的生产工程实践，拆解三个运行时问题：一是多人群聊中，身份如何跟着任务走、资料如何在放进执行环境前按范围加载、业务接口如何用按发起人签发的临时凭据鉴权，以及凭据如何经专用通道交付而不进入 Shell 环境；二是长会话每轮重发整段上下文时，如何保持提示词前缀稳定，并及时发现缓存失效；三是在“没有报错”的表象下，如何结合工程信号、用户中断与 LLM-as-a-Judge 审计会话，把发现落到正确位置并分流验证。最后分享团队用 AI 协作排障、共建知识与沉淀 Skill 的方法。

演讲提纲

1. 代码大量由 AI 生成后，排障更难了
   • 越来越多代码由 AI 写、AI 审，上线后内部逻辑没人说得清，出了故障也很难查。于是排障也开始交给 AI。本次分享怎么做一个能在生产环境用起来的 SRE Agent。
2. 已经有 Codex、Cursor，为什么还要 SRE Agent
   • 研发人手一个 Coding Agent，它也能接数据和工具，但它是个人助手。SRE Agent 要在团队群里和多人一起排障，要自动拿到故障上下文、7×24 值守，还要管住权限和成本。
3. 让它查得准：数据和工具怎么组织
   • 告警、指标、日志、变更、代码、K8s，数据来源很多。先把告警收敛成故障，各类可观测性数据使用统一语义的标签，数据可以串联，才方便 Agent 排查。
4. 让它跑得稳：Harness 怎么设计
   • 推理放在云端，执行放进内网。长会话压缩时，既要保住上下文，也要保住缓存命中。还要从大量会话里找出那些"没报错、但其实没帮上忙"的失败，做好评测和持续改进。
5. 让团队用起来：知识、入口和权限
   • 知识交给 AI 来整理，人只负责告诉它怎么整理。Agent 要以同事的身份进 IM 群，群里不同的人找它办事，权限也要按人区分。
6. 全流程样例演示
   • 数据接入、AI init、发现问题、AI 介入、IM 里协作、复盘沉淀，全流程演示

听众收益

• 掌握多人群聊场景下身份传递、资料范围、接口授权与凭据交付的设计思路，以及保持提示词前缀稳定、发现缓存失效的具体规则
• 了解从挑选会话、LLM-as-a-Judge 评审与复核到修复验证的会话审计方法，识别“调用成功但任务未完成”的问题并追溯到具体证据
• 获得结构化数据工具、群聊知识采集、受约束操作接入和协作排障的具体做法，让一次任务的成果沉淀为团队可复用的知识与 Skill

演讲亮点

• 来自生产代码与真实踩坑：服务重启后恢复任务丢失发起人、四个导致缓存失效的真实改动，讲清楚怎么发现、怎么修
• 可直接借鉴的具体机制：按发起人签发的临时凭据、经继承文件描述符交付且不进入 Shell 的凭据通道、前缀不变量测试、“默认推翻”的二次复核
• 讲清边界与取舍：每个机制都说明能防什么、不能防什么，例如凭据通道“防带走、不防运行期间滥用”，不夸大效果
• 工程机制与团队方法结合：既讲如何把 Agent 做可靠，也讲 SRE 团队如何在群里协作使用、共建知识、沉淀 Skill