Top 5 Benefits of Agentic AI in On-call Engineering
Top 5 Benefits of Agentic AI in On-call Engineering
一句話摘要：Agentic AI 在 on-call 場景帶來五大好處 — 消除 alert fatigue、維護動態知識、確保調查一致性、提供證據式協作、主動找出潛在問題。
核心論點（150-200 字繁中）
On-call engineering（待命工程）是 SRE 工作中最痛的部分 — 半夜被 page、看著一堆 alert 不知從何下手、查到天亮才發現是 known issue。Agentic AI 從五個面向重塑這個 workflow：(1) 消除 alert fatigue — alert 一響 agent 立刻啟動調查、幾分鐘內提 root cause 與行動建議，工程師只需 review；(2) 維護動態知識 — 不靠會過時的 static runbook，agent 持續從每次 incident 學習，即使 senior 離職核心 know-how 也保留下來；(3) 確保調查一致性 — agent 跟著一致 workflow 但會根據每次 incident context 調整，杜絕「忘了檢查某步」的人為失誤；(4) 證據式協作 — agent 即時記錄每個動作與證據，不只加速當下解決，也產出 postmortem 與未來改善的素材；(5) 主動式解決 — 不只被動回應，agent 分析 metrics / log / 行為 pattern 找出尚未爆發的潛在問題，把 incident 攔在發生之前。對應解決的 SRE 痛點：alert fatigue、knowledge loss、inconsistent MTTR、reactive firefighting、preventable downtime。
關鍵概念
- On-call — 工程師輪班待命處理 production incident，類似住院醫師的 night float / overnight call。
- Alert Fatigue（警報疲勞） — 因 alert 過多且多為雜訊，導致 responder 對 alert 麻木、漏掉關鍵警報；類似醫院的 alarm fatigue（病房 monitor 響太多次護理師會自動忽略）。
- MTTR（mean time to resolve / repair，平均修復時間） — 從 incident 發生到解決的平均時間，是 SRE 核心 KPI。
- Static Runbook vs. Dynamic Knowledge — 預寫的 SOP 文件（容易過時）vs. agent 持續從 incident 累積的活知識。
- Proactive Resolution（主動式解決） — 在 incident 發生前就從 pattern detection 找出徵兆並處理。
- Evidence-based Collaboration（證據式協作） — 每個調查步驟與發現都被記錄、可追溯，方便團隊審查與事後檢討。
對 CS146S 的意義
對應 W9 主題的核心應用 — agent 在 SRE / on-call 場景的價值主張。五項 benefit 對應五個典型 LLM agent 能力：fast triage、persistent memory / knowledge graph、structured workflow、structured logging、anomaly detection。是評估「agent 該不該部署在某 workflow」的好 checklist。
對 Vibe Coder 的 Takeaway
就算你是個人 side project 的 solo dev，這五點仍適用 — 把自己過去的 debug 紀錄餵給 LLM agent 當 dynamic knowledge、用 agent 跑一致的調查 workflow（先看 log、再看 metric、再看最近 commit）、讓 agent 產 incident 紀錄。最有價值的是「proactive resolution」— 定期讓 agent 跑健康檢查找出潛在問題，比等 user 抱怨好太多。