DevOps故障排查代理Kubernetes
2026年SRE叙事：AI代理分类事件，人类批准修复。AWS DevOps Agent、Resolve AI、NeuBird、Metoro都发布此形态。告警webhook触发，代理读取遥测，遍历K8s对象图，排序根因假设，发布带审批按钮的Slack简报。默认只读，每次修复需人工批准。
问题
2025-2026年SRE叙事变成：“AI代理分类事件，人类批准修复。” AWS DevOps Agent、Resolve AI、NeuBird、Metoro、PagerDuty AIOps都在生产中发布此形态。代理读取Prometheus指标、Loki日志、Tempo traces、kube-state-metrics和K8s对象知识图谱。在五分钟内产生带遥测引用的排序根因假设。从不未经Slack显式人工批准执行破坏性命令。
大部分困难工作在范围界定和安全，而非推理。代理需要默认只读的RBAC面、加固的MCP工具服务器和每个考虑vs执行的命令审计日志。需要知道何时超出能力范围并升级。而且必须运行得足够便宜，使得OOM-kill级联不会产生$5k代理账单。
核心架构
事件响应流程
- 告警接收。 Prometheus/Grafana告警触发webhook。
- 遥测收集。 代理查询指标、日志、traces、K8s状态。
- 根因假设。 排序可能根因，附遥测证据。
- Slack简报。 发布带审批按钮的摘要。
- 人工批准修复。 只读操作自动执行；破坏性操作需人工批准。
安全约束
- 默认只读RBAC。
- 每个工具调用的审计日志。
- 每仓库每日预算强制。
- 破坏性命令的人工审批门。
关键术语
| 术语 | 常见说法 | 实际含义 |
|---|---|---|
| RCA | ”根因分析” | Root Cause Analysis |
| RBAC | ”基于角色的访问控制” | Role-Based Access Control |
| Read-only-by-default | ”默认只读” | 代理默认不能执行修改操作 |
| Approval gate | ”审批门” | 破坏性操作需人工批准 |
| SLO | ”服务级别目标” | Service Level Objective |
延伸阅读
- AWS DevOps Agent — GA级DevOps代理
- Resolve AI — K8s故障排查手册
- Metoro — 每服务SLO的AI SRE