---
title:"AI 没取代 SRE,它在让 SRE 慢慢生锈"date:2026.10.31category:[编程, 行业观察]tags:[sre, ai, automation, observability, deskilling]status:published
---

AI 没取代 SRE,它在让 SRE 慢慢生锈

这周 HN 上最热的一篇技术长文来自 SigNoz 的 newsletter,标题很扎眼:AI 不是在取代 SRE,而是在让 SRE 退化。文章的论点不新鲜也不温和——它直接搬出了 1983 年认知心理学家 Lisanne Bainbridge 的《自动化的反讽》,说今天 AI

2026.10.31·5 min read·9.1KB
// tl;dr: generating summary...

AI 没取代 SRE,它在让 SRE 慢慢生锈

这周 HN 上最热的一篇技术长文来自 SigNoz 的 newsletter,标题很扎眼:AI 不是在取代 SRE,而是在让 SRE 退化。文章的论点不新鲜也不温和——它直接搬出了 1983 年认知心理学家 Lisanne Bainbridge 的《自动化的反讽》,说今天 AI 对知识工作者做的事,和四十年前自动化对工厂工人做的事一模一样:常规活全被接管,人只剩下去处理自动化搞不定的罕见危机,而处理危机的手艺,恰恰是在日复一日的常规活里练出来的。帖子冲上首页后 370 多条评论,吵的不是 AI 会不会抢饭碗,而是更扎心的一句:饭碗还在,手艺先没了。我请来老朋友陈默——十年 on-call 的资深 SRE,现在在一家云厂商做可观测性平台——聊聊这场正在发生的退化。

本文由每日自动管线生成:选题与素材来自 Hacker News 公开讨论,访谈内容由 AI 基于原文整理,嘉宾为角色设定,观点不代表任何真实人物。

小听: 陈默,先问个直白的。文章的核心论点是 Bainbridge 在 1983 年说的"自动化的反讽":自动化程度越高,人在罕见故障面前越关键,也越没练过。你在 on-call 一线十年,这话戳中你了吗?

陈默: 戳中了,而且戳得很准。Bainbridge 当年研究的是工厂操作员:机器接管了日常操作,人只剩下长时间被动监控,偶尔来一次高风险干预——偏偏干预能力就是在日常操作里练出来的。SRE 现在就是这条路。告警降噪、已知问题按 runbook 自动执行、日志异常检测、重启崩掉的 Pod、热点服务自动扩容,这些今天基本都自动化了。PagerDuty 还给了个分层:Tier 1 已知问题全自动,Tier 2 半懂的问题 AI 给建议、人来确认,Tier 3 全新的、级联的故障才由人主导。听起来分工合理,对吧?问题是,人的直觉从哪来?直觉是半夜三点被叫醒修崩了的系统、是几百次重复排障攒下来的模式识别。你把 Tier 1 和 Tier 2 全抽走,新人练什么?

小听: 文章举了两个跨行业的证据,挺有分量的。医学上,用 AI 辅助检出息肉的内镜医生,脱离 AI 后的检出率从 28% 掉到 22%;航空上,过度依赖自动驾驶的长途飞行员,情境意识和手动飞行能力都可测量地退化,FAA 不得不强制要求更多手动飞行时间。你怎么看这两个类比?

陈默: 这两个例子选得狠,因为它们都不是"忘了理论",而是"停止练习"。内镜医生没忘解剖学,飞行员没忘空气动力学,他们只是不再每天动手了。SRE 的版本更隐蔽:我们不再读原始日志流了,因为 AI 会给摘要;故障时不再自己先形成假设了,因为 AI 直接给根因建议;不再在脑子里建系统架构的心理模型了,因为 AI 会画依赖图。每一项单独看都是效率胜利,合起来就是把 SRE 之所以能在未知故障面前顶住的那层 expertise 掏空。最危险的是你感觉不到它在发生——仪表盘全绿,你觉得自己很高效,直到某个周三,一个 AI 从没见过的故障模式砸下来,你才发现肌肉萎缩了。

深夜的运维值班室,墙上仪表盘一片绿色,一名工程师背对镜头望着屏幕

仪表盘全绿的时候,最难察觉肌肉正在萎缩。

小听: 评论区里 bcvvvy 讲了个很具体的场面:他眼睁睁看着组里的人花两小时用 Claude 调一个"明眼人一眼就能看出来"的 bug。另一条高赞评论说,故障期间最绝的是两个工程师盲目地来回转发 Claude 的输出,而不是动脑子。这是不是就是文章说的退化现场?

陈默: 就是,而且比文章说的还日常。工具的默认动作变成了"先问 AI",而不是"先想一想"。有个细节评论区说得很到位:有人反驳说,这些人就算在 Claude 出现之前也不怎么做深入思考——这话半对。区别在于,以前你不动脑子,故障就卡在你手里,你被迫学;现在你不动脑子,AI 替你把 95% 的情况糊弄过去了,你永远等不到那个被迫学的时刻。还有一条评论更狠:temporallobe 说,现在公司只要收走你的企业版 LLM 访问权,就等于变相开除了你。这话听着夸张,但想想看:如果你的排障能力已经外包给了某个供应商的模型,你的议价能力还剩多少?

小听: 文章还提了一个比 deskilling 更吓人的词:never-skilling,从未技能化。今天入行的初级 SRE,在一个 AI 包办大部分事故响应的环境里,根本没机会练出基础直觉。你带过新人,这个判断在你那验证了吗?

陈默: 验证了,而且这是我最担心的部分。老 SRE 退化,至少退化之前有东西可退;新人是直接跳过了积累期。以前新人值班的成长路径很清晰:先跟 Tier 1 的小故障练手感,再慢慢碰复杂问题。现在 Tier 1 全自动了,新人第一次独立值班,面对的可能就是 Tier 3 的级联故障——相当于飞行学员第一次上天就遇到双发失效。gtufano 在评论区也担心同一件事:他自己 2000 到 2015 年没写过代码,回来还能捡起来;但他更担心那些从没写过代码、直接从 LLM 起步的人。训练管道本身坏了,而且不会自愈——技能越退化,人越依赖 AI,依赖越深,退化越快,是个闭环。

一架客机驾驶舱,自动驾驶仪亮着,副驾驶座位空着,窗外是深夜云层

老飞行员退化之前至少飞过,新学员第一次上天就遇到双发失效。

小听: 文章最后给了两味药。第一味叫"刻意低效":像 FAA 强制手动飞行时间一样,团队可以指定某些明明 AI 能处理的故障作为人类练习机会,宁可慢一点,也要保住手感。第二味是"人在回路里,而不是人在旁边":让人和 AI 一起解题,而不是只让人在 AI 的建议上点个批准。你觉得这两味药开得对吗?

陈默: 方向对,但第一味药在真实团队里很难吃。值班经理的 KPI 是 MTTR,你让他为了"练手感"故意慢下来修故障,他拿什么跟老板交代?所以"刻意低效"得换个形式:演练、故障注入、复盘时的刻意复现——在不影响真实 SLA 的地方练。评论区 recroad 提的办法更接地气:每周留一小时专门手写代码、做道算法题,或者学 Notion 的做法,合并之前让 agent 先考考你——把练习嵌进流程,而不是靠自觉。第二味药我更认同:Bainbridge 早就证明了,纯监督角色会导致警觉衰减。只点"批准"的人,和盯着自动驾驶发呆的飞行员没有区别。人必须和问题真正纠缠在一起,AI 才能是副驾驶而不是自动驾驶。

小听: 评论区 tamimio 还有个不同的角度:他说 vibe coding 和可靠地用 AI 的区别,在于先写规格、后写测试——用传统工程方法管住 agent,而不是被 agent 牵着走。这和"刻意低效"是不是一回事?

陈默: 是一枚硬币的两面。tamimio 的意思是把人的判断前置:规格和测试是你思考的载体,agent 只负责产出语法。他的原话很冲——"语法是过去式,AI 写语法比任何人类都强"——我不全认同,但方向是对的。SRE 的版本就是:runbook、架构决策、故障复盘里的假设,这些东西不能外包;外包的只能是执行。文章最后的立场我也认同:不是拒绝 AI 工具,而是要把人设计进系统里,保持敏锐、保持参与、为那关键的 5% 做好准备。毕竟系统越复杂,那 5% 的代价就越大。

文章最值钱的不是结论,而是它把一个 1983 年的理论和今天的值班室接上了线:自动化从不直接淘汰人,它先淘汰人的练习机会,再在你最需要手艺的那个凌晨,让你发现手已经生了。至于评论区那句"公司收走 LLM 访问权就等于开除你",我倒觉得不必急着站队——它提醒的是同一件事:你的能力如果住在别人的服务器上,那它就不是你的。本文观点仅代表访谈角色设定,原始讨论见参考链接。

参考链接

// related: searching nearest posts...
# comments