Jev 驱动 SRE 诊断:成败复盘

Jev-Driven SRE Diagnosis: What Worked and What Failed

Jev 驱动 SRE 诊断:成败复盘

我们不再依赖 LLM agent,而是构建了一套纯由 Jev 驱动的 SRE 诊断流水线。该流程通过程序化收集集群证据并整理成选项,交由 Jev 进行快速判断以定位根因。在 SREGym-Lite 的 21 个故障场景中,这套无需 LLM 的方案在 105 次诊断中成功通过 80 次,成功率达 76.2%,中位诊断时间仅需 14.6 秒。实验显示结果高度一致:对于每个故障,五次尝试要么全过要么全挂。Jev 虽不生成命令或撰写报告,但其在证据筛选和根因判定上的精准选择,证明了低成本模型在自动化运维中的巨大潜力。

Jev 通过从提供的选项集中进行选择来回答问题,为了将其用于诊断,我们需要同时提供证据和可能的答案。
  1. tinthedev

    用 Jev 来做 SRE 看起来完全是个倒退的设想。你不需要毫秒级的响应速度,也不需要节省成本。你真正需要而 Jev 完全无法提供的,是可审计性。你想知道调用是如何以及为何发生的,就像对待人类一样对待 AI。在那里塞进一个黑盒似乎非常不明智,不是吗?

    就像我不会信任一个声称“凭感觉”的 SRE 一样,我也不打算开始信任 Jev。流程的审计并不包含推理过程的审计。

  2. clintonb

    > 最终,我们相信将 Jev 驱动的诊断纳入 SRE 代理的工作流,是有效结合系统一和系统二模型的重要一步。

    为什么?最终目标是什么?降低成本?加快分析速度?

    我配置了一个通过 Slack 响应告警的代理。它可以访问 ClickStack(用于遥测)、Kubernetes 和 GitHub。它运行的是 Sonnet 模型之一。成本极低,每天响应的告警不到十几个(主要来自一个非常敏感的报错计数警报),因此换成 Jev 毫无意义。如果结果的可信度更低,那就更是如此了。

  3. beebmam

    在我看来,Jev 的设计初衷是为了应对那些需要快速做出大量决策、且输入上下文较少的场景。而 SRE 工作可能更适合那种需要极少次关键决策、但拥有高输入上下文的场景。

同日更多故事

2026-10-07