跳至正文返回首页Grepr 用 AI Agent 排查生产故障，称可观测性成本降约 90%
- 成本矛盾：工程负责人向 Grepr 创始人 Jad Naous 表示，团队将 5% 至 20% 的基础设施预算花在可观测性上，但换来的可靠性却在下降。
- 产品口径：Grepr 接入企业日志流，每天可扫描 PB 级日志，将可观测性成本削减约 90%，并构建 AI Agent 利用这些信号排查生产问题。
- AI 工作流数据：在 Jad 的 10 人公司中，一项原本需要一名工程师约六个月的数据湖功能，由他本人用 10 天完成；团队内普通工程师与优秀工程师的差距“扩大了 10 倍”；他同时运行 3 至 4 个 Agent 会话，并由一个“技术主管”Agent 审查每个 PR。
- 边界判断：Jad 认为 AI 已几乎能调优数据库，但还不能独立维持服务器运行；Martin Casado 补充，每增加一行代码都会增加程序行为方式，现实世界比训练数据更杂乱，自动驾驶用了 20 年与 1,700 亿美元。
- 行业意义：AIOps Agent 正从代码生成延伸到生产故障排查与告警处理；但实时系统运维的复杂度高于编码，人工仍在系统所有权与最终判断中占据位置。
🔗 a16z 推文 | YouTube 访谈