你的 SRE 复盘模板遗漏了决定每次 LLM 故障的六个关键字段
传统的 SRE 复盘模板是为代码变更和基础设施故障设计的。对于 LLM 故障，真正发生变化的变量往往被遗漏了——如 Prompt 版本、模型选择切片、裁判配置、检索索引状态、工具 Schema 以及流量组合。本文提供了填补这一空白的模板字段和故障类别分类法。
负载降级是为人类设计的，而 Agent 会放大你正在抵御的风暴
Agent 会围绕 503 错误重新规划并以远超人类的速度重试，将上游的小幅波动演变成关联性停机。本文从实践者视角出发，探讨平台下一步需要的负载降级原语，以及 Agent 为了避免成为“风暴”而必须遵循的纪律。
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。
你的 AI 产品在需要另一个模型之前，更需要一名 SRE
大多数举步维艰的 AI 团队都在用 2012 年时代的运营方式运行前沿模型。解决这一问题的下一个关键员工通常是 SRE，而不是另一位应用科学家。
AI 事故响应手册：为什么你的值班 Runbook 对 LLM 不管用
传统值班 Runbook 在 AI 系统中会失效，因为故障是非确定性的、质量下降没有错误码，根本原因排查需要一套完全不同的框架。本文介绍真正有效的做法。
为何"修改提示词"是根因谬误：为 AI 系统打造无责事后复盘
「修提示词」的反射动作正在取代 AI 事件复盘中真正的根因分析。本文解释为何如此，以及如何将无责 SRE 文化应用于非确定性系统。
随机系统的值班响应：为何你的 AI 运行手册需要重写
传统故障响应假设故障是可复现的，但 LLM 驱动的系统并非如此。以下是如何针对非确定性 AI 重写告警方案、分类决策树和事后分析模板。
非确定性 AI 功能的 SLO：当“错误”具有概率性时，如何设置错误预算
标准的可用性和错误率 SLO 无法捕捉 LLM 功能中的行为质量下降。本文将介绍如何定义行为质量 SLO，设置有意义的错误预算，并在正确性具有概率性时将其接入事件响应流程。
没人会写的 AI 系统 On-Call 运维手册
当故障模式是概率性的模型行为而非服务崩溃时，传统的 SRE 运维手册就会失效。本文将探讨 LLM 驱动系统的事故响应究竟是怎样的，以及哪些信号值得告警。
AI 辅助故障响应：LLM 如何在不取代 SRE 手册的情况下改变它
值班工作流中的 AI 副驾驶可以浮现关联信号、起草运行手册操作——但它们引入了传统 SRE 没有受过训练去识别的故障模式。这是一份将 LLM 整合进故障响应而不让故障更难处理的实践指南。
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。
AI 辅助故障响应：为你的值班 Agent 提供运维手册
尽管 AI 投资创下纪录，但由于团队在部署 Agent 时缺乏运维手册或防护栅栏，运维负担反而有所增加。通过采用三层自治模型 —— 咨询型、审批型、条件型 —— 结合结构化运维手册和爆炸半径检查，可以将 AI Agent 转化为可靠的值班伙伴。