Google SRE 走过十年，工具换了一茬又一茬，架构也翻了几轮。但回头看这十年的实践梳理，最扎眼的结论不是某个技术突破，而是一句听起来有点"老派"的话：落地失败的组织，问题往往出在文化，不在技术。

这份梳理把 SRE 十年的演进拆成了六大领域，从 SLO 与错误预算，到可观测性、自动化平台、可靠性测试、容量管理，再到组织模式。六个方向各自都在变，但变的方向并不一致——有的被工具推着走，有的被架构逼着改。

AI 成了 SRE 的新运维对象

过去 SRE 要操心的是服务、集群、依赖链。现在多了一类对象：AI 基础设施本身。大规模 GPU、TPU 集群的可靠性要有人兜底，而 AI 系统自带的不确定性，又给传统的可靠性方法出了新题。

这不是把旧方法套到新硬件上就能解决的。非确定性意味着同样的输入未必有同样的输出，故障复现、根因定位的逻辑都得跟着调整。SRE 的职责边界，因此被推到了一个新位置。

AI 同时也在给 SRE 当帮手

另一条线是反过来的：AI 作为 SRE 的力量倍增器。梳理里点出了几个具体方向——

  • 辅助事件分类，减少人工分诊的耗时
  • 用自然语言查询遥测数据，降低排查门槛
  • 预测性维护，把问题拦在爆发之前

生成式 AI 在这里扮演的是效率工具，而不是替代者。它压缩的是重复劳动，不是判断本身。

六大实践都在动，核心却没动

SLO 机制、可观测性、自动化平台、测试方法、容量管理、组织模式——这六块构成了 SRE 十年的主干。它们各自演进，节奏不同，但都被同一件事牵着走：系统越复杂，人对可靠性的判断越难被工具完全接管。

梳理给出的结论很直接：技术与架构十年剧变，SRE 的核心原则依然稳固。以可靠性为中心的文化，以及系统工程里"人的因素"，仍是成功的关键。

换句话说，工具能升级，架构能重构，但一个组织如果没把可靠性当成文化来对待，再新的平台也落不了地。十年过去，这条判断没被推翻，反而被 AI 时代的新复杂度又验证了一遍。