SRE

概述

SRE（Site Reliability Engineering，站点可靠性工程）是将软件工程方法应用于基础设施和运维问题的学科，旨在构建可扩展、高可靠的软件系统。

关键内容

1. 核心定义：SRE 是 Google 首创的工程实践学科，将软件工程方法应用于运维问题。SRE 工程师负责构建和维护可靠、可扩展的系统，通过自动化手段减少人工运维负担。SRE 的核心指标包括可用性、延迟、性能和效率。

2. 在 AI 系统中的适应性：传统软件的 SRE 体系需要适应 AI 系统的特殊性。AI 系统的 Postmortem 实践仍处于早期阶段，需要新的方法论来处理概率性失败、涌现行为和不可重现性问题。SRE 在 AI 系统中不仅要监控技术指标，还要监控行为质量指标。

3. 与 Postmortem 的关系：Postmortem 是 SRE 体系的核心实践之一。SRE 强调通过事后回顾将故障转化为学习机会，推动系统级改进。Anthropic 的 Postmortem 实践体现了 SRE 文化在 AI 公司中的应用。

4. 关键实践：快速止血与根本原因修复的双轨制、配置即代码（Configuration as Code）、金丝雀发布和渐进式部署、自动化监控和告警、错误预算（Error Budget）管理。在 AI 系统中，还需要模型级回退、Prompt 级回退等特有手段。

来源

• 18_postmortem.md — Anthropic Engineering Blog 原文《A postmortem of three recent issues》

相关

• Postmortem 文化 — relates_to（Postmortem 是 SRE 的核心实践）
• 彩虹部署 — relates_to（金丝雀发布是 SRE 的部署策略）
• 行为回归测试 — relates_to（行为回归测试是 AI 系统中 SRE 质量保障的扩展）