让 Agent 先接警：AI 故障响应的信任阶梯
故障发生的最初 15 分钟通常是机械化的，Agent 可以在你解锁笔记本电脑前就完成这些工作。这套由叙述者、建议者、受控执行者、受限自动修复者组成的四层信任阶梯，配合基于证据的晋升和有范围的降级机制，比在经历一个糟糕的夜晚后彻底禁用自动化要明智得多。
那些被静音的 LLM 报警：当每一次值班看起来都和上一个一模一样
当看起来完全相同的报警不断出现却无法触发任何后续行动时，LLM 功能的告警疲劳便悄然而至。随之而来的静音规则虽然是理性的适应行为，却最终破坏了生产环境的检测机制。
你的智能体平台忘了配置的值班轮换
一个四人的 AI 平台团队为一个拥有 200 名日活用户的内部智能体上线，却忘了配置值班轮换 —— 最终以惨痛的代价学习了 SRE 人员配置的计算方法。
那个假设人类会阅读页面的 On-Call 运维手册
当智能体在故障频道发布了一份客气的摘要，而指挥官将其理解为已接手时，升级链条中悄然出现了一个无人定义的转换点。本文将探讨弥补这一差距的模式。
你的智能体没读过的那条休假自动回复
大多数智能体堆栈按姓名而不是按角色呼叫真人 —— 一旦有人休 PTO，智能体就会和自动回复对打，直到值班同事注意到。
凌晨 3 点处理一个没有报 500 错误的 AI 功能报警
传呼机响了，是因为流量评估得分下降了四个百分点，而不是因为服务崩溃。本文探讨针对现有告警无法触发的故障模式，如何制定运维手册（Runbook）模式、告警设计以及轮值纪律。
你的值班轮换需要 AI 素养作为前提，否则不要在凌晨 2 点给任何人发报警
当其中一个服务是基于 LLM 的功能时，共享值班轮换机制会立刻失效。这里有一份关于 AI 素养前提、仪表板规范以及影子期运行手册的指南，能让 AI 团队在凌晨 2 点安稳睡觉。
智能体在凌晨 3 点呼叫我：触达人类工具的爆炸半径策略
授予智能体 PagerDuty 访问权限是一项会影响产品团队的基础设施决策。这是一个针对触达人类工具的控制平面 —— 包含速率限制、演练（dry-run）、退出机制（off-ramps）—— 且这些是 Prompt 无法强制执行的。
AI On-Call 心理学：为非确定性告警重建运维直觉
AI 系统的 On-Call 打破了标准的 SRE 直觉。本文提供了一套实用的分类法、轮值设计方案和培训课程，帮助你在不导致团队职业倦怠或错过真实回归的情况下，运行随机性生产系统。