延伸阅读

官方文档与规范

• OpenTelemetry

  • https://opentelemetry.io/
  • GenAI 语义约定与 Agent 可观测性最新标准。

• OpenTelemetry GenAI Semantic Conventions

  • https://opentelemetry.io/docs/specs/semconv/gen-ai/

• Prometheus

  • https://prometheus.io/

• Grafana

  • https://grafana.com/

• Google SRE Book

  • https://sre.google/sre-book/table-of-contents/

• Google SRE Workbook — Alerting on SLOs

  • https://sre.google/workbook/alerting-on-slos/

学术论文

• A Survey of AIOps in the Era of Large Language Models

  • https://dl.acm.org/doi/full/10.1145/3746635

• Site Reliability Engineering: How Google Runs Production Systems

  • https://sre.google/sre-book/table-of-contents/

工程博客

• Maxim AI — LLM Observability Best Practices for 2025

  • https://www.getmaxim.ai/articles/llm-observability-best-practices-for-2025/

• Zylos Research — AI Observability and Agent Monitoring 2026

  • https://zylos.ai/research/2026-01-16-ai-observability-agent-monitoring

• OpenTelemetry Blog — AI Agent Observability

  • https://opentelemetry.io/blog/2025/ai-agent-observability/

• Grafana — Multi-window, multi-burn-rate alerts

  • https://grafana.com/blog/how-to-implement-multi-window-multi-burn-rate-alerts-with-grafana-cloud/

• incident.io — SRE Incident Post-Mortem Best Practices

  • https://incident.io/blog/sre-incident-postmortem-best-practices

相邻主题交叉引用

主题	链接	与本主题关系
KServe	/03-ai-platform/kserve/	模型服务平台暴露 /metrics 与 status conditions，是 AI SRE 的核心监控对象。
LLM Gateway	/04-llmops/llm-gateway/	Gateway 是 AI 服务的流量入口与核心 SLI 来源。
vLLM	/04-llmops/vllm/	推理引擎 metrics（TTFT、ITL、KV cache）是监控重点。
Agent Runtime	/05-agent/agent-runtime/	Agent 步骤需要 trace 与 SLO。
RAG	/06-rag/	RAG 流水线需要专门的可观测性与评估指标。
Benchmark + Evaluation	/07-ai-sre/benchmark-evaluation/	AI SRE 的评测子主题：trace-based eval、benchmark 数据集、CI 评估门、生产回归检测。
Agent OS	/05-agent/agent-os/	进程隔离与资源治理是故障缓解的底座。
OpenAI 案例研究	/09-case-study/openai/	大规模 LLM 服务的可观测性、SLO 与事件响应经验。
Anthropic 案例研究	/09-case-study/anthropic/	run-rate $30B 增长冲击可靠性的容量治理；prompt cache 命中率作为 SLO。
Meta 案例研究	/09-case-study/meta/	同步训练可靠性工程标杆：SDC 三件套检测、~50x 中断下降、>95% 有效训练时间、故障→checkpoint→auto-restart 闭环。
Linux 系统与性能调优	/01-foundation/linux-systems/	CPU、memory、I/O、network 指标都来自 Linux 内核；Linux 调优是 AI SRE 根因分析的基础。
Google 案例研究	/09-case-study/google/	超大规模同步训练可用率标杆：NSDI'24 healthd + preflight 四层检测、reconfigure/reroute 双路径恢复、99.98% 可用率、OCS 把主机可用率要求从 99.9% 降到 99%。

推荐学习路径

1. 入门：读完 Google SRE Book 与 Workbook，用 Prometheus + Grafana 搭建一个服务的 SLO 仪表板。
2. 进阶：接入 OpenTelemetry，为 FastAPI/Flask 服务生成 trace 与 metrics。
3. 深入：学习 tail-based sampling、SLO-as-code（Sloth/OpenSLO）、AIOps 异常检测。
4. 生产：为 LLM/Agent/RAG 服务定义多维 SLO，建立 on-call、runbook、postmortem 闭环。

一句话收尾

AI SRE 的终极目标不是“零故障”，而是让每一次故障都可观测、可度量、可恢复、可改进。