‏AI SRE چیه و واقعاً on-call رو عوض می‌کنه؟

Gergely Orosz و Jessica Salmon تو این مقاله از Pragmatic Engineer سراغ AI SRE رفتن، یعنی ابزارهای on-call که با هوش مصنوعی حادثه‌های production رو بررسی می‌کنن. نقطهٔ شروع دموی Azure SRE Agent مایکروسافت در ۲۰۲۵ بود که ایجنتش هم علت رو پیدا کرد و هم fix رو ship کرد. نویسنده می‌گه اون دمو به نظرش مصنوعی بود. حالا ولی OpenAI ابزار Sevbot رو ساخته، بانک ING داره نسخهٔ داخلی خودش رو می‌سازه و غرفه‌های این ابزارها تو کنفرانس‌ها زیاد شده.

به گفتهٔ نویسنده‌ها دلیل اصلی داغ شدن این حوزه اینه که با ایجنت‌های کدنویسی، تعداد PRها تو تقریباً همهٔ شرکت‌ها ظرف یه سال دو برابر شده. فرمول ساده‌شون اینه: نرخ حادثه برابره با نرخ تغییر ضرب در احتمال خرابی هر تغییر. وقتی تعداد تغییرها بالا می‌ره، حادثه هم بیشتر می‌شه. داده‌های Rootly نشون می‌ده page‌ها نسبت به پارسال بیشتر شده و page‌های خارج از ساعت کاری تقریباً دو برابر شده.

کار اصلی این ابزارها فاز بررسی حادثه‌ست، یعنی همون کاری که مهندس on-call با باز کردن هشت تا تب انجام می‌ده: دیدن alert، داشبوردها، runbookها و لاگ‌های Datadog یا Sentry. مثلاً orchestrator شرکت incident.io کار رو بین چند subagent پخش می‌کنه و نتیجه رو جمع می‌کنه. معمولاً یه بات توی کانال Slack حادثه می‌شینه و مهندس‌ها هدایتش می‌کنن. این ابزارها به دسترسی گسترده به لاگ، تله‌متری و حتی کد نیاز دارن و همین مسئلهٔ اعتماد باعث می‌شه خیلی از شرکت‌های متوسط و بزرگ نسخهٔ داخلی بسازن.

سر اینکه ایجنت خودش کد رو درست کنه یا نه، سه شرکت راه‌های مختلفی دارن. incident.io کانتکست رو به ایجنت کدنویسی خود مشتری می‌ده. ResolveAI PRهای ساده رو خودش می‌نویسه و تغییرهای بزرگ رو تحویل می‌ده. Rootly می‌خواد یه ایجنت PR بنویسه و یه ایجنت دیگه تصمیم بگیره merge امن هست یا نه، ولی فعلاً همهٔ PRها با تأیید آدم انجام می‌شه.

ResolveAI ظرف دو سال سه معماری مختلف ساخته. اول یه pipeline ثابت از promptها بود که با حادثه‌های غیرعادی خوب کار نمی‌کرد. بعد یه ایجنت تکی با knowledge graph اومد که با context rot (یعنی وقتی کانتکست مدل اونقدر پر می‌شه که مدل شروع به اشتباه می‌کنه) و تأیید کردن حدس اول خودش مشکل داشت. حالا یه سیستم چندایجنتی دارن با نقش‌های Investigator، Verifier که مستقل از اولی نتیجه‌ها رو زیر سؤال می‌بره، و Communicator.

هر سه شرکت یه context layer ساختن: Atlas در Rootly، Nexus در incident.io و HiveMind در Resolve. این لایه شامل knowledge graph از سرویس‌ها و وابستگی‌ها، حافظهٔ حادثه‌های قبلی و ابزارهای اتصاله. شرکت‌هایی مثل Monzo با Agent Chip، Stripe و Google با ProdAgent هم نسخهٔ داخلی دارن. ProdAgent گوگل کد تولید نمی‌کنه و فقط استفاده از ابزارهای امنی رو که از طریق MCP در دسترسن پیشنهاد می‌ده. بقیهٔ مقاله فقط برای مشترک‌های پولی در دسترسه.

نکات کلیدی:

• تعداد PRها تو بیشتر شرکت‌ها ظرف یه سال حدود دو برابر شده
• طبق داده‌های Rootly، page‌های خارج از ساعت کاری تقریباً دو برابر شده
• ResolveAI از ۲۰۲۴ تا ۲۰۲۶ سه معماری مختلف برای ایجنت بررسی ساخته
• ایجنت بررسی Stripe به‌طور میانگین ۳ دقیقه برای اجرای ساده و ۱۴ دقیقه برای بررسی عمیق وقت می‌ذاره
• Sevbot شرکت OpenAI خودش هیچ mitigationی اجرا نمی‌کنه مگه اینکه بهش دستور بدن
• Rootly تنها شرکت از این سه تاست که به مشتری اجازه می‌ده داده‌های حادثه رو به اشتراک بذاره