小李与AI浪潮:一个SRE这三年的惊喜、焦虑与和解

最难的，不是技术变了，而是你刚站稳，地面就开始动了

之前听过一句话，小李深以为然：“这个世界唯一不变的就是变化”。在码农圈子里，技术不断演进，本来就是再正常不过的事情。

拿小李的从业经历来举例，从虚拟化到容器，从单机部署到 Kubernetes，从手工运维到自动化，从 Java 8 到 Java 21，从 Python 2 到 Python 3，这些年技术一直在更新。

为了跟上技术的进步，小李坚持学习，虽然累是挺累的，但大多数时候，这种变化还是相对平缓的。但凡多花时间学，多踩几个坑，多熬几个夜，慢慢总能跟上。

可 2023 年以后，小李第一次感觉到，事情不太一样了。这次不是某个框架换了写法，也不是某个中间件升级了版本。而是 AI 像潮水一样拍了上来。它不是在一点点优化原有工作。它是在一点点改掉工作的形状。

而最让小李难受的，是那几年他刚刚从开发转到 SRE，正觉得自己终于把这门手艺摸出一点门道。可就在他以为自己终于跟上节奏的时候，AI 把整个节奏都改了。

场景一：选择 SRE，小李以为自己终于在一条难但相对稳的路上

小李不是一开始就做 SRE 的。刚入行那几年，他写过 Java 业务代码，也干过一些脚本活。后来赶上 DevOps 这股潮流，他又做了几年的相关工作，不断积累经验。再往后，因为团队变化、岗位调整，也因为自己越来越喜欢系统、稳定性、监控和自动化这些方向，他才慢慢转向了 SRE。

真转过来以后，他才知道，SRE 这活和外面想的不太一样。

它远远不只是：

• 看看监控

• 配配置告警

• 写写脚本

• 出事了拉群救火

真正做进来才知道，这活像是在跟复杂系统长期摔跤。你要懂：

• Linux 和网络

• Kubernetes 和容器

• 定制化开发/维护监控工具

• 产线服务的监控、日志、链路追踪

• 自动化、CI/CD、发布流程

• 容量、成本、容灾、故障演练

更麻烦的是，这些东西不是独立的。它们是叠加的，是咬合的，是一层压着一层的。

你刚学会一块，新的复杂度又会冒出来。小李那几年最常有一种感觉：“好不容易把一层皮练厚了，抬头一看，上面还有三层楼。”

但再苦，他心里其实一直有个安慰：这门手艺是难的。既然难，就有门槛。只要自己继续学、继续做、继续扛事，总归能在这个方向上站稳一点。

那时候他还没意识到，自己辛辛苦苦往上爬的这堵墙，很快就会遇到另一股完全不同的力量。

场景二：2023 年第一次见到 Copilot，小李先是高兴，后来有点沉默

2023 年，小李所在团队开始陆续接触 LLM。

最早让他真正有触动的，不是今天这种会聊天、会调工具、会在工程里连续改文件的智能体（Agentic AI），而是 GitHub Copilot。

今天回头看，Copilot 的形态其实还比较早期。

它不是聊天机器人，它更像一个非常强的代码补全助手：

• 你写函数签名，它给你补实现

• 你写注释，它给你补代码

• 你打一半循环，它大概率知道你后面要写什么

• 它能给建议，也能生成整段代码

• 但它还不像今天的 agent 那样，自己在整个工程里到处改、连续完成一串任务

说白了，早期 Copilot 更像一个“会猜你下一步要敲什么”的超级 Tab 键。

但哪怕只是这样，对当时的小李来说，也已经足够震撼。他第一次用 Copilot 补一个 Shell 脚本时，整个人都愣了一下。本来只是想写个简单的日志清理工具，结果前面刚敲两行，后面的参数判断、目录遍历、错误处理和输出格式，Copilot 已经顺着给了出来。

小李盯着屏幕，一时不知道如何评价：“好家伙，这玩意儿……这么猛？！太牛了”

后来他又试着让它补 Prometheus 告警规则、补 Python 小工具、补 Kubernetes YAML。

不敢说次次都对，可真正让他震动的，不是它完不完美，而是它已经能明显帮人省掉一大截重复劳动了。对一个刚刚在 SRE 路上练出一点熟练度的人来说，这种感觉其实很复杂。

一方面，他是真高兴。因为效率提升太直接了。以前写个小工具，要自己查文档、试参数、抠语法；现在很多时候只要把意图说清楚，骨架就出来了。很多原本机械、重复、枯燥的部分，一下子轻了。

可另一方面，小李心里也闪过一个几乎不愿承认的念头：“如果这种能力继续往前长，那以后被省掉的，会不会不只是重复劳动？”这个念头当时还很轻。很快就被“真好用啊”的兴奋压过去了。

毕竟在 2023 年，大多数技术人还觉得，AI 很强，但还没强到足以重新定义整份工作。

场景三：从 Copilot 到 RAG，再到 MCP，小李第一次感到自己的工作方式正在被复制

Copilot 带来的震撼还没完全消化掉，新的形态又开始冒出来了。

没过多久，小李就明显感觉到，LLM 不再只是“回答问题”。它开始往“组织工作”那边走。RAG 是其中最让他有感触的一种。

有一次，在开周会时，一线同事来问一个历史告警为什么老是反复出现。小李下意识地准备自己去翻旧工单、翻知识库、翻 runbook，身边的同事已经通过 RAG 快速得到了答案。

那一刻小李突然意识到，它不再只是给答案。它开始知道去哪里找答案，再把答案组织回来。这一下，小李有点坐不住了。

因为这和 SRE 的很多日常工作开始变得很像：

• 查告警时翻知识库

• 排故时对照历史工单

• 看日志时结合 SOP 判断动作

• 回答一线问题时，从文档、Runbook、脚本仓库里拼上下文

那时候，小李第一次很清楚地意识到：“我以前以为 AI 是来帮我写东西的。现在看，它开始学着替我走流程了。”

而到了 2025 年，MCP 和上下文工程出来以后，这种感觉又被往前推了一大步。文件系统、命令行、代码库、知识库、外部系统、各种工具接口，开始被结构化地暴露给模型。

以前他觉得，模型再强，也还是隔着一层玻璃。可当文件系统、命令行、知识库这些东西开始被接进来以后，他第一次觉得，那层玻璃好像没那么厚了。

这时小李突然意识到一件更让人发凉的事：自己过去几年辛辛苦苦练出来的，不只是写脚本、配告警、看日志这些表面动作。真正值钱的，其实是“串上下文”的能力。可现在，连这种能力都开始被工程化复制了。

• 过去是：人自己打开系统、查文档、拼信息、决定下一步。

• 现在慢慢变成：人搭环境、搭流程、给边界，模型去找资料、拼上下文、给中间结果。

那一刻，小李第一次感到一种很具体的压迫感。这种感觉不是那种“哇，好强”的兴奋。而是：“如果连这种能力都能被系统化复制，那我手里到底还剩下多少独特性？”

场景四：2026 年春节，小龙虾火了，小李第一次认真想过‘这活还能干多久’

真正让小李开始睡不太着的，是 2026 年春节前后。那段时间，小龙虾（OpenClaw）突然爆火。

各种演示、截图、讨论、二创，几乎一下子铺满了技术圈。大家兴奋地谈论：

• 本地化

• 个性化

• 命令行能力

• 文件操作

• 沙盒

• 自建工具

• skills

小李一开始还带着点围观心态去看。可越看，他心里越不是滋味。因为他越来越清楚，这已经不是“模型更会聊天了一点”。

它开始像一个真正的执行者那样工作了。它不只是会说，它开始会做：

• 看本地文件

• 调命令

• 读代码库

• 组合技能

• 在受控环境里持续完成任务

小李盯着那些演示，心里第一次冒出一个很不体面的念头：“我这份工作，还能干多久？”这不是矫情。也不是故作悲观。而是一种很真实的职业本能反应。

因为 SRE 这份工作里，本来就有很多部分是流程化、标准化、可上下文拼接的：

• 巡检

• 告警分析

• 故障初筛

• 配置核对

• 脚本执行

• SOP 路径判断

如果一个智能体真的能把这些事越做越像人，甚至比人更快、更稳，那焦虑几乎是不可避免的。更现实的是，它不知疲倦，也不会分神。

更难受的是，小李很清楚自己这些年吃过多少苦。熬夜补 Linux，补 K8S，补网络，补监控，补自动化。

他原本以为，把这些东西学进身体里，至少能换来一段相对稳定的专业护城河。结果 AI 一来，他突然发现：这堵墙不是没有用，只是正在被快速抹平。

场景五：后来小李想明白了，真正危险的不是 AI 变强，而是自己还假装工作没有变

焦虑归焦虑，活还是得干。担心归担心，现实不会因为你担心就慢一点。

春节那段时间，小李反反复复想了很久，后来才慢慢想明白一件事：自己真正的问题，不是“AI 会不会替掉我”。而是：“在 AI 已经确定会进入工作现场的前提下，我到底要用什么方式继续留下来？”

想明白这一层以后，他的心态反而慢慢稳了一点。因为他意识到，接受现实，不等于认输。拥抱 AI，也不等于放弃专业性。相反，越是 SRE 这种贴着复杂系统工作的岗位，越需要把 AI 变成自己的放大器。

后来小李开始主动调整自己的工作方式：

• 用 AI 辅助写脚本和排障工具

• 用 AI 帮忙整理 SOP 和知识库

• 用 AI 辅助分析告警和日志

• 用 AI 先做一轮变更前的配置检查

• 用 AI 帮忙理解陌生代码、陌生 Helm Chart、陌生 Terraform 模块

他慢慢发现一个很现实的事实：AI 确实在吃掉很多低层、重复、模板化的劳动。但与此同时，它也把人的价值往更上游推了。今天更值钱的，不再只是“手快”。而是：

• 你能不能定义对的问题

• 你能不能识别复杂系统里的真实风险

• 你能不能判断 AI 给出的结果什么时候能信，什么时候不能信

• 你能不能在效率和稳定性之间做取舍

这些东西，至少到现在，还没有被轻易抹平。回头看这三年，小李的变化其实很清楚：

• 一开始是转行后的艰难爬坡

• 后来是第一次被 AI 提效震到的惊喜

• 再后来，是眼看着它从辅助工具一路变成执行体时的压迫感

• 到最后，是不得不接受现实，然后学着和它一起工作

他后来给自己记下了一句话：对技术人来说，真正危险的不是 AI 变强，而是在它变强的过程中，你还试图假装一切都没有变。

回想起往年那句经典的名言：“Talk is cheap, show me the code”，现在来看这句话可能已经过时了，真正决定一个技术人还能不能留下来的，不再只是会不会写代码，而是会不会在新的工作现实里，重新定义自己的价值。

补充说明

• RAG：`Retrieval-Augmented Generation`，即“检索增强生成”，是一种利用外部知识库来辅助生成任务的技术方法。简单来说，就是“先找资料，再生成答案”。

• MCP：`Model Context Protocol`，即“模型上下文协议”，是一种允许 LLM 安全访问外部数据和工具的协议。简单来说，就是“给模型一把钥匙，让它自己去拿资料”。

• skills：这里可以理解为“技能”或“能力模块”，既可以是特定功能的插件，也可以是高效提示词或封装好的能力单元，用来增强智能体完成任务的效果和准确度。