自主智能体落地的"最后一公里"不在科研，而在运维。过去三年，大模型写代码、做研究的能力一路飙升，但真正让一家企业愿意为 Agent 付费的场景，是它能在凌晨三点自己把生产事故摁下去。2026 年，一批"自主 SRE 智能体"（Autonomous SRE Agent）跑通了从告警→调查→根因→止血→修复的完整闭环：NeuBird 的 Hawkeye 在 18 个月内自主处置了超过 100 万条生产告警，2025 年单年消化 23 万条、节省约 1.2 万工程师小时，把某电气制造企业的告警噪声砍掉 78%；Resolve.ai 把根因分析压缩到"分钟级"。
但本文要撕开的不是"又一家估值翻倍"的融资故事，而是这类 Agent 真正的工程内核——爆炸半径（blast radius）治理。一个能自动重启 Pod、回滚发布、扩缩容的智能体，本质是一把可以随时切断公司命脉的自动化手术刀。它的成熟度不取决于"调用了多少工具"，而取决于它能多精准地把自己的动作限制在一个可控的伤员范围内。围绕这条红线，自主 SRE 栈已经分裂出"调查型—建议型—止血型—自愈型"四级阶梯，以及与之匹配的权限、审批、金丝雀与回滚机制。本文实测这条阶梯上的七栈，给出选型账本。
| 工具 | 定位 | 自治阶梯 | 部署形态 | 数据接入 | 典型战绩 | 上手/变现 |
|---|---|---|---|---|---|---|
| NeuBird Hawkeye | 全自主处置 | 止血+自愈 | SaaS | 多源遥测/Prometheus/ELK/Splunk/Datadog | 18 月处置 100 万+告警、92% 准确率 | 接入重、客单价高、企业级 SaaS |
| Resolve.ai | 自主调查+根因 | 调查+建议 | SaaS | OpenTelemetry/可观测后端 | RCA 压到分钟级 | 中等、适合中大型 K8s 团队 |
| Cleric | 自主调查 Agent | 调查为主 | SaaS | 日志/指标/链路 | 自动写 incident 笔记 | 轻、YC 系、适合 SaaS 团队 |
| Rootly | 事件管理→Agent | 建议+半自动 | SaaS | Slack/PagerDuty/工单 | 缩短 MTTR、自动 status page | 轻、贴现有事件流程 |
| Shoreline（Mitigations as Code） | 止血动作引擎 | 止血 | 自托管/被收编 | 自有探针 | 金丝雀止血、零回滚代价 | 中、运维团队写动作 YAML |
| Robusta + HolmesGPT | K8s 自愈+AI 调查 | 调查+止血 | OSS/SaaS | Prometheus/K8s | 自动 enrichment、Playbook 止血 | 轻、社区活跃、可自托管 |
| k8sgpt | 诊断扫描器 | 调查（只读） | OSS | K8s API/可观测 | 自然语言诊断集群 | 极轻、CNCF 沙箱、变现靠咨询 |
自治阶梯说明：调查（Investigate，只读）→ 建议（Recommend，给人方案）→ 止血（Mitigate，可逆的临时动作，如重启/限流/回滚）→ 自愈（Remediate，修改源头配置）。每往上跳一级，爆炸半径指数级放大。
Hawkeye 是目前公开战绩最硬的自主 SRE 智能体。它的架构不是"一个聪明的 prompt"，而是一套证据驱动的调查循环：告警触发后，Agent 不是立刻下结论，而是先并行抓取相关时间窗的指标、日志、链路、变更记录（deploy、config change），形成假设，再用反例查询去证伪，只有证据闭环后才动手。公开数据显示根因定位准确率约 92%，这正是"调查质量"决定处置质量的体现。
它的处置动作落在"止血"层：重启、扩容、回滚、限流，都是可逆的。真正烧钱的根因修复（改代码、改 IaC）仍走人工。这套设计的精妙在于——把 Agent 的写入面收敛到少数幂等、可逆操作上，从而把爆炸半径从"整个生产环境"压到"一次重启"。变现逻辑是典型的企业级 SaaS：按节点/告警量计费，客单价高、接入重，需要现场工程师配合接遥测。对训练营而言，这是"企业运维 Agent 落地"主题的高客单课素材，但不太适合 C 端。
Resolve.ai 把自己定位在"调查型 Agent"——它基本不直接改东西，而是把人类 oncall 工程师"翻日志、画时间线、定位变更"的过程自动化。核心是因果相关性推理：它把分散在 OpenTelemetry、APM、日志后端里的信号，对齐到同一条事故时间线上，自动回答"这次故障的引爆点是不是 14:32 那次发布"。对中大型 Kubernetes 团队，这是价值密度最高的一层——因为根因分析恰恰是 oncall 最耗时、最依赖经验的环节。
它的爆炸半径天然小，因为默认只读。这也意味着它的天花板停在"建议"：给结论、给证据链接，止血动作交给下游。代码层面的关键能力是跨数据源的自然语言查询，例如让 Agent 直接写 PromQL/LogQL 去拉数：
# 伪代码：Resolve 式证据采集循环
def investigate(alert):
window = (alert.ts - 15*MIN, alert.ts + 5*MIN)
signals = parallel_query([
("metrics", promql(f'rate(http_errors[5m])', window)),
("logs", logql(f'app="{alert.svc}" level=error', window)),
("changes", deploy_log(alert.svc, window)), # 变更记录是头号嫌疑
])
hypothesis = llm.correlate(alert, signals) # 假设：14:32 发布引入回归
if not verify_against_counterexample(hypothesis): # 反例证伪
return escalate_to_human(hypothesis, evidence=signals)
return write_rca(hypothesis, evidence=signals)
Cleric（YC 系）和 Rootly 代表另一条路径——从事件管理工具长出 Agent 能力。它们的价值不在重新发明调查引擎，而在贴合团队既有流程：Rootly 嵌在 Slack + PagerDuty + 工单里，自动维护 incident 时间线、起草对客 status page、生成事后复盘。Cleric 则像"随叫随到的值班搭子"，接到告警后自己开调查、写笔记、@ 相关人。
这一层的特点是自治阶梯偏低但渗透率最高——因为它不要求你换掉整套可观测栈，而是寄生在你已经在用的协作工具上。变现路径清晰：按座席/事件计费，PLG（产品驱动增长）友好，是训练营"企业 AI 运维助手"最好讲的故事。代价是它们更像 Copilot 而非真·自主体，真正动刀的环节仍需人按按钮。
如果说前三家解决"想清楚"，Shoreline 解决的是"敢不敢动手"。它的核心抽象是 Mitigation（止血动作）即代码——把"重启卡死的 Pod""清理堆积的队列""回滚配置"写成可版本化、可审查、可回滚的动作单元，并强制执行金丝雀止血：先在 1% 的实例上跑，验证无害后再放量。
这套模型是"爆炸半径治理"的工程原点：每个动作自带 max_blast_radius 约束、自带 dry-run、自带自动回滚。它把"Agent 自动修故障"这个听上去吓人的事，降维成了"一段带护栏的幂等脚本"。对想自建自愈能力的团队，Shoreline 的 YAML 化 Mitigation 思想比任何框架都值得抄：
# Shoreline 式 Mitigation：可逆 + 金丝雀 + 自动回滚
mitigation: clear_stuck_queue
trigger: alert(queue_depth > 10000 for 5m)
action: run("redis-cli --eval clear.lua", target=pod)
max_blast_radius: 1% # 最多影响 1% 实例
canary: true # 先灰度
auto_rollback_on: alert(error_rate > 5% for 2m)
require_approval: false # 安全可逆动作可免审批
Robusta 是 K8s 生态里最活跃的开源自愈引擎，HolmesGPT 是它孵出的 AI 调查助手。组合拳的逻辑是：Robusta 负责"事件总线 + Playbook 执行"（传统自动化），HolmesGPT 负责"理解告警、给根因、给修复建议"（LLM 推理）。两者解耦的好处是——确定性自动化与概率性推理各司其职，爆炸半径由 Robusta 的 Playbook 白名单兜底，LLM 永远碰不到它没被显式授权的动作。
这是中小团队最现实的自托管路径：零许可费、社区 Playbook 丰富、能完全跑在自己集群里（数据不出域，满足合规）。变现靠"托管 Robusta + 定制 Playbook + 咨询"——典型的开源商业闭环，适合做面向 SRE 社区的训练营。
k8sgpt（CNCF 沙箱项目）是最轻的入口：k8sgpt analyze 一条命令，它用一组内置分析器扫描 K8s 资源，把"CrashLoopBackOff 的真实原因""证书过期""资源超限"翻译成人话。它的自治阶梯最低（纯只读诊断），但正因为零写入、零风险，成了企业内部推广 AI 运维的"破冰"工具——先让团队习惯"AI 帮我读集群"，再谈止血。
它是变现的引流器：开源免费、装机量大，背后靠分析器定制、企业版、咨询变现。对训练营，k8sgpt 是最好的"五分钟上手 Agent"教学案例——一个 CLI、一个分析器接口，学员当晚就能自己写一个"诊断我的集群"的 Agent。
最后要校准一个误区：PagerDuty、Datadog 这类巨头的"AIOps"在 2026 仍以事件编排为主——降噪、聚合、智能路由、runbook 自动触发——而非真正的自主调查-处置闭环。它们强在覆盖面和稳定性，弱在推理深度。这意味着大厂 AIOps 与 NeuBird/Resolve 这类"调查型原生 Agent"会长期共存：大厂管收口与编排，原生 Agent 管深度推理与自主处置。选型时别把"我已有 PagerDuty"当成"我已经有自主 SRE Agent"。
flowchart TD
A[生产告警触发] --> B{调查层 Investigate<br/>只读 · 零爆炸半径}
B -->|并行抓取| T1[指标 PromQL]
B -->|并行抓取| T2[日志 LogQL]
B -->|并行抓取| T3[链路 Traces]
B -->|并行抓取| T4[变更记录 Deploys]
T1 & T2 & T3 & T4 --> C[假设 + 反例证伪]
C -->|未证实| Z[升级人工 · 保留证据]
C -->|证据闭环| D{建议层 Recommend<br/>给人方案}
D --> E[输出根因 + 修复建议]
D --> F{可逆且低风险?}
F -->|是| G[止血层 Mitigate<br/>金丝雀 1% 灰度]
F -->|否| H[审批闸门 HITL]
H -->|批准| G
G --> I{监控验证}
I -->|恶化| J[自动回滚 · 可逆性兜底]
I -->|好转| K[自愈层 Remediate<br/>改源头 · 强审批]
K --> L[事后复盘 + 动作沉淀回 Playbook]
style B fill:#d4edda,stroke:#28a745
style D fill:#fff3cd,stroke:#ffc107
style G fill:#ffe0b2,stroke:#fd7e14
style K fill:#f8d7da,stroke:#dc3545
图中颜色即风险等级：绿（只读调查）→黄（建议）→橙（可逆止血）→红（改源头自愈）。每一级闸门都是对爆炸半径的一次主动收敛——这正是自主 SRE 区别于"会调工具的聊天机器人"的工程分水岭。
max_blast_radius + 金丝雀 + 自动回滚的幂等单元——这是任何自研路线都该抄的安全骨架。一句话定盘：自主 SRE 智能体的胜负，不在"调用了多少工具、写了多炫的 loop"，而在它能不能把自己的每一记动作，都关进一个有上限、可回滚、留证据的笼子。爆炸半径，才是这条赛道的真正护城河。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。