AI + SRE ≠ AISRE：AI 如何真正进入生产运维闭环｜QCon上海

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！

2026 年 QCon 全球软件开发大会大会 · 上海站

将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。

在这一背景下，2026 年 QCon 全球软件开发大会大会 · 上海站正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。

携程 & 大数据平台 SRE 总监周昕毅已确认出席 “理性驾驭 AI 的 SRE 可靠性工程” 专题，并发表题为《AI + SRE ≠ AISRE：AI 如何真正进入生产运维闭环》的主题分享。AI 正快速进入研发、测试与运维场景，但“给 SRE 加一个 AI”并不等于真正的 AISRE。尤其在大数据平台中，故障链路复杂、组件依赖繁多、运维知识高度依赖专家经验，AI 从“辅助分析”走向“生产执行”仍面临信任、知识与闭环等问题。本次分享将结合携程大数据平台的实践，围绕稳定性、运维效率与成本治理三个典型场景，分享 AI 如何真正进入 SRE 的生产闭环。

周昕毅，携程大数据平台 SRE 总监。毕业于同济大学软件学院，在云计算、大数据、基础设施运维及 SRE 等领域有 20 年工作经验。目前负责携程大数据基础平台建设及运维管理相关工作。参与编写 SREelite《SRE 实践白皮书》。他在本次会议的详细演讲内容如下：

演讲提纲

1. 开场：AI 到底能不能接管 SRE？

从三个真实问题切入：

• 告警来了，AI 能不能自己判断？

• 服务异常，AI 能不能自己修？

• 存储成本上涨，AI 能不能自己找出浪费？

结论：AI 能回答 SRE 的问题，不代表 AI 能承担 SRE 的工作。

2. 从 AI 辅助到 AI 闭环：SRE 的 AI 化到底意味着什么？

• AI 看懂告警、日志、指标

• AI 关联上下文并定位根因

• AI 生成处置方案

• AI 调用工具执行操作

• AI 验证执行结果并形成反馈

结论：真正的 AISRE，不是增加一个 AI Copilot，而是让 AI 进入完整的运维闭环。

3. 实践一：从“告警”走向“自愈”——AI 如何参与生产故障处置？

• 痛点还原

  告警噪音大，定位慢，人工处置依赖经验

• 闭环体系设计

  告警收敛与分级策略

  根因定位：从"报警"到"给答案"

  自愈执行：预案库加自动触发机制

  人工审核兜底：人监督 AI 的落地形式

• 效果

  平台故障 MTTR 降低 50%

  关键踩坑点：自愈误操作的防护机制

4. 实践二：从“专家经验”到“智能诊断”——核心组件故障如何让 AI 真正理解？

• 痛点还原

  组件种类多，问题现象分散，诊断依赖资深专家

• 工具设计思路

  诊断知识的结构化沉淀，包含案例库、规则库

  AI 辅助分析：日志理解加指标关联

  工具化设计：诊断能力作为可调用服务

• 效果与经验

  新人上手时间缩短，on-call 压力下降

  踩坑点：AI 给出错误诊断建议的处理机制

5. 实践三：从“资源监控”到“成本治理”——AI 如何参与存储优化决策？

• 痛点还原

  存储成本持续膨胀，人工治理效率低

• 工具建设思路

  数据访问特征采集与冷热识别模型

  自动化分级存储策略推荐

  与业务方的协作闭环

• 效果

  存储单价下降 20%

  踩坑点：冷热判断误判对业务的影响及补救措施

6. 总结：从 AI 辅助走向 AI 原生运维

• AISRE ≠ AI + SRE 的简单叠加

• 三个实践背后的共同基础

• 演进路径与未来展望

实践痛点

1. 自动化执行的信任建立需要过程

• 告警自愈闭环上线初期，工程师对"AI 自动操作生产环境"普遍存在顾虑。需要经历"只看不动→人工确认后执行→低风险操作自动执行"的渐进式信任建立过程，不能一步到位

2. 知识沉淀是需要建立闭环机制而非一次性工程

• 智能诊断工具的核心是知识库，但故障经验高度依赖老专家，提炼和结构化的过程阻力大、耗时长，且随着组件版本迭代需要持续维护，容易出现"知识库上线即过时"的问题。

3. 效果评估的量化存在难度

• 目前虽然通过 MTTR 可以进行一定程度的量化，但 MTTR 的影响因素不能完全归因于 AISRE 的相关实践

演讲亮点

• SRE 相关实践具有普适性，对其他 SRE 团队有参考价值，不只是晒成果，而是给同行一套可复用的方法论

听众收益

1. 一个可复用的方法论框架

• “数据友好→开发友好→运维友好”三层递进模型，帮助听众评估自身团队的 AI 落地成熟度，避免跳步建设的陷阱

2. 三个可落地的工程实践

• 告警+自愈闭环的设计思路与防误操作机制

• 大数据组件智能诊断工具的知识结构化方法

• Storage Insight 冷热数据识别的实现路径

• 每个实践均来自携程生产环境，有具体踩坑经验可借鉴。

3. 一个清醒的认知校准

• 明确“AISRE ≠ AI + SRE 简单叠加"，帮助听众识别团队当前瓶颈到底是 AI 能力不足还是基础设施不够成熟，避免在错误的层面投入资源

4. 真实的效果数据参照

• MTTR 降低 50%、存储单价下降 20%，为听众在内部推动类似项目时提供可引用的行业参照数据

除此之外，本次大会还策划了Loop Engineering、千行百业 Agent 创新实践、Agent 自主进化：从记忆到持续学习、Agent as a Service、Vibe Coding 时代的新质量债、理性驾驭 AI 的 SRE 可靠性工程、金融 AI Native工程实践：从研发提效到业务破局、AI Infra：算力效率决定规模化落地、AI Native 架构等 20 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 100+资深专家在现场带来前沿技术洞察和一线实践经验。

查看更多详情可扫码或联系票务经理 18514549229 进行咨询。

AI + SRE ≠ AISRE：AI 如何真正进入生产运维闭环｜QCon上海

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！

2026 年 QCon 全球软件开发大会大会 · 上海站

将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。

在这一背景下，2026 年 QCon 全球软件开发大会大会 · 上海站正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。

携程 & 大数据平台 SRE 总监周昕毅已确认出席 “理性驾驭 AI 的 SRE 可靠性工程” 专题，并发表题为《AI + SRE ≠ AISRE：AI 如何真正进入生产运维闭环》的主题分享。AI 正快速进入研发、测试与运维场景，但“给 SRE 加一个 AI”并不等于真正的 AISRE。尤其在大数据平台中，故障链路复杂、组件依赖繁多、运维知识高度依赖专家经验，AI 从“辅助分析”走向“生产执行”仍面临信任、知识与闭环等问题。本次分享将结合携程大数据平台的实践，围绕稳定性、运维效率与成本治理三个典型场景，分享 AI 如何真正进入 SRE 的生产闭环。

周昕毅，携程大数据平台 SRE 总监。毕业于同济大学软件学院，在云计算、大数据、基础设施运维及 SRE 等领域有 20 年工作经验。目前负责携程大数据基础平台建设及运维管理相关工作。参与编写 SREelite《SRE 实践白皮书》。他在本次会议的详细演讲内容如下：

演讲提纲

1. 开场：AI 到底能不能接管 SRE？

从三个真实问题切入：

• 告警来了，AI 能不能自己判断？

• 服务异常，AI 能不能自己修？

• 存储成本上涨，AI 能不能自己找出浪费？

结论：AI 能回答 SRE 的问题，不代表 AI 能承担 SRE 的工作。

2. 从 AI 辅助到 AI 闭环：SRE 的 AI 化到底意味着什么？

• AI 看懂告警、日志、指标

• AI 关联上下文并定位根因

• AI 生成处置方案

• AI 调用工具执行操作

• AI 验证执行结果并形成反馈

结论：真正的 AISRE，不是增加一个 AI Copilot，而是让 AI 进入完整的运维闭环。

3. 实践一：从“告警”走向“自愈”——AI 如何参与生产故障处置？

• 痛点还原

  告警噪音大，定位慢，人工处置依赖经验

• 闭环体系设计

  告警收敛与分级策略

  根因定位：从"报警"到"给答案"

  自愈执行：预案库加自动触发机制

  人工审核兜底：人监督 AI 的落地形式

• 效果

  平台故障 MTTR 降低 50%

  关键踩坑点：自愈误操作的防护机制

4. 实践二：从“专家经验”到“智能诊断”——核心组件故障如何让 AI 真正理解？

• 痛点还原

  组件种类多，问题现象分散，诊断依赖资深专家

• 工具设计思路

  诊断知识的结构化沉淀，包含案例库、规则库

  AI 辅助分析：日志理解加指标关联

  工具化设计：诊断能力作为可调用服务

• 效果与经验

  新人上手时间缩短，on-call 压力下降

  踩坑点：AI 给出错误诊断建议的处理机制

5. 实践三：从“资源监控”到“成本治理”——AI 如何参与存储优化决策？

• 痛点还原

  存储成本持续膨胀，人工治理效率低

• 工具建设思路

  数据访问特征采集与冷热识别模型

  自动化分级存储策略推荐

  与业务方的协作闭环

• 效果

  存储单价下降 20%

  踩坑点：冷热判断误判对业务的影响及补救措施

6. 总结：从 AI 辅助走向 AI 原生运维

• AISRE ≠ AI + SRE 的简单叠加

• 三个实践背后的共同基础

• 演进路径与未来展望

实践痛点

1. 自动化执行的信任建立需要过程

• 告警自愈闭环上线初期，工程师对"AI 自动操作生产环境"普遍存在顾虑。需要经历"只看不动→人工确认后执行→低风险操作自动执行"的渐进式信任建立过程，不能一步到位

2. 知识沉淀是需要建立闭环机制而非一次性工程

• 智能诊断工具的核心是知识库，但故障经验高度依赖老专家，提炼和结构化的过程阻力大、耗时长，且随着组件版本迭代需要持续维护，容易出现"知识库上线即过时"的问题。

3. 效果评估的量化存在难度

• 目前虽然通过 MTTR 可以进行一定程度的量化，但 MTTR 的影响因素不能完全归因于 AISRE 的相关实践

演讲亮点

• SRE 相关实践具有普适性，对其他 SRE 团队有参考价值，不只是晒成果，而是给同行一套可复用的方法论

听众收益

1. 一个可复用的方法论框架

• “数据友好→开发友好→运维友好”三层递进模型，帮助听众评估自身团队的 AI 落地成熟度，避免跳步建设的陷阱

2. 三个可落地的工程实践

• 告警+自愈闭环的设计思路与防误操作机制

• 大数据组件智能诊断工具的知识结构化方法

• Storage Insight 冷热数据识别的实现路径

• 每个实践均来自携程生产环境，有具体踩坑经验可借鉴。

3. 一个清醒的认知校准

• 明确“AISRE ≠ AI + SRE 简单叠加"，帮助听众识别团队当前瓶颈到底是 AI 能力不足还是基础设施不够成熟，避免在错误的层面投入资源

4. 真实的效果数据参照

• MTTR 降低 50%、存储单价下降 20%，为听众在内部推动类似项目时提供可引用的行业参照数据

除此之外，本次大会还策划了Loop Engineering、千行百业 Agent 创新实践、Agent 自主进化：从记忆到持续学习、Agent as a Service、Vibe Coding 时代的新质量债、理性驾驭 AI 的 SRE 可靠性工程、金融 AI Native工程实践：从研发提效到业务破局、AI Infra：算力效率决定规模化落地、AI Native 架构等 20 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 100+资深专家在现场带来前沿技术洞察和一线实践经验。

查看更多详情可扫码或联系票务经理 18514549229 进行咨询。