用于故障响应的 AI 智能体:从 Sentry 告警到获批回滚
一次完整的故障处理:智能体负责排查和提出方案,值班的人决定什么能进入生产环境。
· · 来源
简要回答
故障响应智能体会盯着 Sentry 里的新问题,深入查看代码和日志,在自己的分支上以拉取请求的形式提交修复,并在你的频道里汇报。读取和排查从不需要许可。合并、部署和回滚始终要等人在聊天里批准,且会展示确切的数值。
AI 智能体如何帮助故障响应?
故障发生时,时间都耗在杂务上:打开问题、找到改动过那段代码的提交、翻日志、把一切整理给团队。这部分可以交给智能体,让大家专心做决定。
在 agentes.chat 里,智能体和你的团队在同一个频道工作。每一步都显示在它的消息里,它工作时你也可以接着输入:它会立刻读到你的消息并调整方向,你也可以让它停下。典型流程如下:
- 告警: Sentry 记录到新问题时触发一个例行任务,并调用智能体。
- 分诊: 智能体读取错误、堆栈跟踪和受影响的版本,并把发现发到频道里。
- 排查: 它在仓库里查找改动了什么,与上一次部署对比,必要时还会询问另一个智能体。
- 修复: 凭借 GitHub 的写入权限,它在自己的分支上写好修复并开一个拉取请求。
- 决定: 如果修复要花一段时间,它会提议回滚。这个请求会变成频道里的一张审批卡片。
- 事后: 有人提出要求时,它会在 Wiki 里起草复盘文档,并创建后续任务。
一次故障从头到尾是什么样?
示例 · Acme(虚构公司)
Acme 的一次结账错误
Acme 有一个 #incidents 频道,还有一个运维智能体:对 Sentry 有读取权限,对 GitHub 有读取和写入权限,对 Linear 有写入权限。它的一个例行任务会在 Sentry 每出现一个新问题时触发。
下午 2:10,Sentry 记录到结账环节的一个新错误。例行任务调用智能体,它读取问题后发帖说:错误是在下午 1:50 那次部署之后立刻开始的,影响支付路径,堆栈跟踪指向那次部署改动过的一个函数。
这个例行任务只读取和汇报。值班工程师在话题里回复:“深入查一下,并提出修复方案”。从这里起就是一段普通的对话:智能体打开仓库,找到那个提交,并用一个测试复现了错误。它在自己的分支上写好修复,运行测试,并开了一个拉取请求。这些都不需要审批,因为读取和在自己分支上工作本来就已获得授权。
她读完摘要,在同一个话题里问能否在修复被审查期间先回滚。智能体提议在 GitHub Actions 里运行回滚工作流。随即出现一张卡片,列出工作流、环境和目标版本。因为这是回滚,批准需要按住按钮。她按住后,工作流只运行一次,与卡片上显示的完全一致。
审查之后,她点一下就批准了合并。当天结束时,她请智能体写一份复盘。它在 Wiki 里写好了含时间线的文档,并为团队创建了两个 Linear 任务。
智能体可以自行读取什么?
读取和排查从不需要审批,这正是智能体在故障最初几分钟里的价值所在。它能读到什么,取决于你的工作区添加了哪些连接器,以及每个智能体获得了哪些范围:
- Sentry: 问题、错误和版本,通过 Sentry 官方的 MCP 服务器,一键连接。Sentry 把这个服务器描述为用来搜索错误、分析性能和分诊问题的方式[2]。
- GitHub: 仓库、拉取请求、议题和 Actions,通过 agentes.chat 的 GitHub App 或 OAuth,仓库按智能体分别选择。参见 GitHub 页面。
- 可观测性与基础设施: Datadog、Grafana、Cloudflare、Railway、Netlify 和 Supabase 同样一键连接。
- 团队上下文: Wiki、Drive 和任务。智能体默认会读取 Wiki。
要编写代码、运行测试和开拉取请求,智能体会使用你工作区的电脑,在上面克隆仓库,并在自己的文件夹里工作。来自外部的文本,比如错误消息、网页和工具输出,在送到模型时会被标记为不可信。
哪些操作要等人来批准?
名称或范围里含有 merge、deploy、rollback、revert_deploy 或 promote 的任何工具,无论连接器怎么说,始终都要请求批准。在 GitHub 上,运行工作流同样要请求批准,因为一次 Actions 运行可能会部署。
| 操作 | 需要审批吗? | 如何批准 |
|---|---|---|
| 读取问题、日志、代码和 PR | 从不 | 无需批准 |
| 推送到自己的分支(agentes/<agent>/…) | 不需要,授予写入权限后 | 无需批准 |
| 开拉取请求或 Linear 任务 | 不需要,授予写入权限后 | 无需批准 |
| 合并拉取请求 | 始终 | 点一下 |
| 运行 GitHub Actions 工作流 | 始终 | 按住按钮 |
| 通过任何连接器部署或回滚 | 始终 | 按住按钮 |
推送从不会进入默认分支,只会进入智能体自己的分支,不能强制推送,也不能打标签。审批卡片会显示确切的操作和数值。它与这些数值绑定,只运行一次。如果 24 小时内没人决定,它就会过期。
由智能体的所有者或工作区管理员来决定。如果你拒绝,你给出的理由会成为智能体的一条经验。如果另一个智能体在过去 30 天内已经对同一个目标采取过行动,这个智能体在再次行动前会被告知,并且只有给出理由才会继续,这有助于避免对同一个服务连续回滚两次。我们的人工把关指南有完整的规则。
如何设置盯着错误的例行任务?
例行任务会按一句大白话写成的时间表运行智能体,比如“每个工作日上午 9 点”,也可以由事件触发。对故障响应来说,有用的事件包括 Sentry 出现新问题、GitHub 上开了拉取请求,以及一次部署成功。模板涵盖了盯着新错误、审查新的 PR 和每日频道摘要。
例行任务在自己的房间里安静运行,并把结果送到频道、话题、私信或 Drive。它们遵循比对话更严格的规则:
- 它们不能在别处发帖,也不能给人发消息。
- 每一次向已连接应用的写入都要请求人批准。
- 各次运行从不重叠,连续失败后例行任务会暂停。
所以告警例行任务只读取和汇报。修复和回滚发生在之后的对话里,有团队的人在场。更多内容见例行任务与任务计划。
智能体如何帮助写复盘?
Google 的 SRE 手册把复盘定义为对一次故障、其影响、为解决它所采取的行动及其成因的书面记录,并要求复盘不追责:聚焦于促成故障的原因,而不是谁出了错[1]。
智能体在频道里有完整的时间线:告警、排查的每一步、获批的卡片和合并。有人提出要求时,它会把这些整理成 Wiki 里的草稿,附上消息和任务的链接。智能体只在有人要求时才写入 Wiki,所以最终文本仍然属于团队。
经验也会进入智能体的记忆。纠正和被拒绝的审批会变成经验,反复出现的经验会变成对其指令的修改提议,由人决定是否接受。
故障期间 agentes.chat 不做什么?
- 没有 PagerDuty 连接器, 也不会给任何人打电话。告警通过应用、浏览器通知、桌面应用(Mac、Windows 和 Linux)以及手机应用(iPhone 和 Android)送达。
- 没有 Slack 或 Vercel 连接器, 因为这些厂商要求使用由它们注册或批准的应用。
- 它不会取代你的可观测性体系。 智能体读取 Sentry、Datadog 或 Grafana,但不采集指标。
- 它从不自行合并、部署或回滚, 无论通过哪个连接器,无论怎样设置。
如何开始使用故障响应智能体?
- 创建一个角色为运维的智能体,并设置月度预算。只有工作区所有者和管理员才能创建智能体。
- 连接 Sentry 和 GitHub。给智能体 Sentry 的读取权限,以及它要接触的仓库的读取和写入权限。
- 为 Sentry 的新问题创建一个例行任务,把结果送到你的故障频道。
- 先拿一个假错误试一试,在消息里看清每一步,再决定是否依赖它。
agentes.chat 正处于公测阶段。如果你的团队想试试这套流程,创建你的工作区。
常见问题
智能体可以自行回滚吗?
不可以。任何部署、回滚或合并工具都始终会变成聊天里的审批请求,部署和回滚需要按住按钮。任何设置都改变不了这一点。
它能和 PagerDuty 配合使用吗?
不能。PagerDuty 要求使用在它那里注册的应用,而 agentes.chat 没有 PagerDuty 连接器。智能体盯着的告警来自 Sentry,Datadog 和 Grafana 则可以一键连接。
谁来批准智能体的请求?
智能体的所有者或工作区管理员。所有者是可选的:没有所有者时,请求会发给管理员。
智能体可以动默认分支吗?
不可以。它只会推送到自己的分支(agentes/<agent>/…),不能强制推送,也不能打标签。要进入默认分支,需要一次由人批准的合并。
来源
链接核实于 2026年10月29日。本页关于 agentes.chat 的描述反映的是该日期的产品情况,在公测期间可能会变化。
- 1Google SRE, Postmortem Culture: Learning from Failure.
- 2Sentry, Sentry MCP Server.