半夜兩點告警響了，本來今天是美好的颱風假

你一臉厭世打開電腦，Grafana 一個視窗、Loki 一個視窗、K8s 事件一個視窗

最近誰動了部署又是另一個地方，你開始把這些線索一片一片拼起來試圖釐清到底哪裡出了問題?

每個維運過的人都經歷過這一幕

事故發生時，消耗時間的往往不是修復而是調查

可觀測性提供了你需要的資料，卻沒有提供答案

我將分享打造 AI 輔助事故調查系統的過程，以及如何把 AI 導入問題查找流程

目標很單純 當告警觸發的那一刻由 AI 接手「拼線索」這件苦差事

我們希望建立的不是一位會聊天的 AI，而是一位能協助 SRE 更快找出 Root Cause 的助手

這裡不討論 AI 是否取代 SRE

我想說的是另一件事「當 AI 把調查的苦工接走 工程師才能真正專注在需要判斷力的決策上」

聽眾收穫：

1.掌握 AI 從開發走向維運的趨勢：

以 SDLC 為脈絡，快速看看 AI 能力這幾年的演進，以及為什麼開始往事故調查延伸

2.為什麼只靠 Chat 模式還不足以處理事故：

從 SRE 的工作方式出發，理解 AI 從被動問答走向主動調查的關鍵差異

3.模型進步如何影響事故調查：

聚焦近半年模型能力的演進，看看它在事故調查流程中能做到哪些事

4.了解一套適合 SRE 的 AIOps 工作流程：

串起事件入口、調查控制、工具與證據、RCA產出與經驗累積，拆解事故調查流程

5.讓歷史事故成為可重用的調查經驗：

將過去的症狀、證據與調查經驗留下，讓相似事故更快找到值得查證的方向