推理集群：将SRE规范应用于多供应商LLM依赖管理
生产AI技术栈如今横跨多个供应商、微调端点和自托管模型。管理它们需要SRE风格的集群纪律：服务目录、按供应商的SLO追踪、容量规划以及清晰的所有权模型。
你的 AI 功能需要一个无需部署的紧急开关 (Kill Switch)
一次标准的部署回滚需要 30 分钟；而一个表现异常的 LLM 仅需几秒钟就能向客户发送错误的输出。这里是你的 AI 功能在发生首次故障前所需的关闭原语——四种标志系列、触发它们的检测信号，以及确保其有效的测试规范。
个性化设置应当属于 Dotfile，而非向量数据库
大多数 Agent 的个性化其实是语气、格式、默认工具和项目上下文 —— 这些声明式设置在数十年前就通过 Dotfile 模式解决了。只有在穷尽配置手段后，才应考虑微调和持久化记忆。
人工审核队列是你的 P0 SLA：当 HITL 成为瓶颈时
三个月前你为了安全性而设置的人机回环（HITL）升级路径，现在正成为你 AI 功能的无形瓶颈。本文将探讨如何将其视作一个拥有独立 SLO、容量模型和反馈循环的生产系统来对待——在客户向你投诉之前，先发制人。
仪表盘视为噪点的周一早晨 AI 性能下降
大多数 AI 功能仪表盘通过取平均值抹平了一种导致真金白银损失的故障模式 —— 这种每周循环的性能下降，只有当你按小时维度拆解延迟、缓存命中率和重试次数时才会显现。
模型回滚速度：从“这次升级有问题”到“旧模型完全恢复”之间的七小时鸿沟
回滚 LLM 升级并非按下一个按钮那么简单 —— 它是一个具有滞后性的部分操作，更接近于数据库迁移。在下一个错误模型上线之前，以下是你的事故应对指南中需要的控制平面。
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。
Agent 飞行记录仪：在第一次事故发生前必须捕获的字段
当 Agent 脱轨时，大多数团队拥有的取证记录都是徒劳的。这里列出了飞行记录仪在第一次事故发生前必须捕获的字段，以及与之配套的存储、采样和隐私规范。
无真值情况下的智能体 SLO：为无法实时评分的输出建立错误预算
传统的 SRE 实践为你提供了与用户满意度直接挂钩的可用性和延迟目标。但智能体（Agentic）特性打破了这种映射。本文将介绍当“成功”在请求发出数小时后才出现时，该如何编写错误预算——以及为什么照搬延迟 SLO 手册的团队虽然能完成每个季度的目标，却眼睁睁看着用户流失。
五面分诊树：当常规操作手册不再适用时的 AI 轮值指南
如果报警显示模型开始撒谎，那么为“重启服务”设计的传统操作手册就不再适用了。本文介绍了五面分诊树、冻结按钮以及重放测试框架，正是这些工具让 AI 轮值成为了一门独立的学科。
编程智能体自主曲线：阅读是免费的，合并是事故级的
对于编程智能体来说，单一的自主开关是错误的抽象方式。应该将每个工具映射到特定的爆炸半径层级，根据层级调整审批闸门，并使智能体的执行速度与你的回滚速度相匹配。
当需求是悬崖而非曲线时，如何进行 GPU 产能规划
Agent 工作负载打破了平滑曲线的产能规划。请以 Token 为单位进行规划，将扇出视为一级指标，并针对预见性的“悬崖式”需求预留产能。