一次真实的回归在生产环境中持续了两天。告警（Page）已经触发了。它触发得完全正确，阈值准确，严重程度也恰当。三周前，值班轮值（On-call rotation）为该告警族添加了一条静默规则，因为该系列中的每一条告警到目前为止都以同样的注释结案：“无须操作，调查中”。复盘（Post-mortem）无法诚实地将这种静默行为称为错误。这是对一系列值班人员没有 Playbook（运行手册）可循的告警流所做出的理性适应。那个重要的回归就在一个被静默的频道中发布了，因为团队的监控栈产生的信号无法指导具体行动，而团队唯一的应对方式就是：停止倾听。
这并不是一个告警 Bug。这是当团队沿用旧有的 Playbook 对 AI 功能进行埋点时，产生的一种结构性特征。延迟、错误率、拒绝率、输出 Schema 符合度、Judge-eval 漂移——每一个都是合理的指标。每一个触发时都带有同样模糊的“模型行为改变”措辞。但它们都没有告诉值班工程师该做什么，因为没有人写过将每个信号映射到具体动作的 Runbook，因为大多数情况下，信号并不能对应到具体的动作。值班轮值吸收着噪音，直到噪音盖过了信号，然后值班人员就会绕过产生这些信号的频道。
Catchpoint 2025 年度 SRE 报告将值班压力列为近 70% SRE 产生倦怠和离职的根源。标题背后的数字比看起来更糟糕。典型的企业轮值每天会收到来自各个渠道的数百个告警，而 Google 的 SRE Workbook 建议每班处理的可操作告警（Actionable pages）不应超过两个。“触发”与“可操作”之间的鸿沟就是轮值崩溃的地方，而 AI 功能正处于这一鸿沟最糟糕的一端，因为它们产生的每一个信号在结构上都是概率性的。值班人员的心智模型——“这个告警意味着 X 坏了，去做 Y”——对于卡住的部署很有效。但它不适用于“拒绝率在四小时窗口内波动了 0.4 个点”的情况。
为什么 AI 告警在结构上充满噪音
传统的告警之所以触发，是因为一个确定性的谓词翻转了。CPU 超过了 90%。部署流水线返回非零。健康检查超时。值班人员有一套清晰的假设和已知的调查路径。告警映射到 Runbook 中的条目，再映射到命令。事件发生期间的认知负荷虽然很高，但不同事件之间的结构是稳定的。
AI 功能的告警之所以触发，是因为分布发生了偏移。模型开始拒绝一类它以前会接受的请求。Schema 符合度从 99.1% 下降到 97.8%。对响应质量评分的 Judge-eval 漂移了 0.5 分。这些陈述都没有错。它们本身都不是故障。它们可能意味着上游模型出现了真实的回归。它们可能意味着一种良性的样本偏移（Cohort shift）——你的流量模式改变了，因为客户上线了一个新功能，向模型提出了不同的问题。它们可能意味着供应商在不同的集群间重新平衡了负载。它们也可能什么都不代表。
值班人员无法通过告警页面分辨其中的区别。所需的诊断步骤不是“SSH 到机器并读取日志”，而是“调取过去 24 小时的追踪（Traces），抽样 50 个，阅读它们，判断这种变化是回归还是偏移”。这至少是一个 20 分钟的任务，通常会更久，而且典型的答案是“无须操作”。当轮值人员第三或第四次白白支付这种成本后，他们就会意识到，这个代价不值得。
除此之外，LLM 可观测性市场已经趋向于为追踪的每一个指标都发出告警：忠实度（Faithfulness）下降、安全回归、Prompt 漂移、延迟长尾、Token 计数异常、成本飙升。每一个在孤立状态下看都是合理的。而总和则是轮值得为一个三个月前根本不会报警的功能，处理来自五个正交信号类别的告警。
静默规则的局部合理性
当轮值团队添加一条静默规则时，在场的没有任何人是在做错误的决定。他们观察了三周的告警，准确地注意到告警与操作的比率几乎为零。他们准确地注意到告警是有实际成本的：睡眠中断、从正在进行的工作中进行上下文切换、值班人员的流失。他们准确地注意到，即使告警代表了真实的情况，值班工程师也无法解决，因为诊断路径长达数小时且需要对功能有极深的熟悉度。
静默规则在轮值层面是理性的。但在系统层面，它会变得灾难性。被轮值团队静默的信号，正是本可以捕捉到真实回归的那个信号。团队并没有改进信号，而是消除了信号传递的频道。轮值团队以丧失在生产中检测质量回归的能力为代价，换取了即时的生活质量。
这与高误报率的癌症筛查具有相同的动态。在三次良性结果后，个人决定跳过检查是合理的；但在群体层面，结果就是对于关键病例的检测延迟。工程团队在处理身体健康问题时，是通过改进检测手段来解决的，而不是靠提高病人参加检查的自觉性。而在值班中，我们通常反其道而行之——我们试图提高工程师应对嘈杂告警的自觉性，并对这种自觉性撑不过一个季度感到惊讶。
余下内容仅对会员开放。
会员可读完整内容 —— 每一个公开发布的观点背后，那些框架、决策与推理的全貌。
- 完整文章，包含未公开存档的部分
- 可落地的工作框架，附带权衡与决策依据
- 新文章抢先看，先于公开发布
随时取消 · 一次订阅，畅读全部