10 Years of the SRE book: Announcing the second edition of "Site Reliability Engineering”

SRE 书籍第二版 | Google Cloud 博客

DevOps & SRE

10 年 SRE 书籍：发布《站点可靠性工程》第二版

2026 年 10 月 13 日

##### Betsy Beyer

SRE 项目经理

##### David Huska

软件工程师，站点可靠性工程师

#### 为现代云和 AI 时代重写：Google 如何运行生产系统

##### 今天试用 Gemini

职场 AI 的入口

立即试用

十年前，Google 与 O'Reilly Media 合作发布了《站点可靠性工程：Google 如何运行生产系统》。最初这是一本记录我们管理大规模基础设施实践的书籍，后来成为畅销书，并启发了许多组织采用书中提出的可靠性实践：将软件工程应用于运维，构建可扩展、可靠且可持续的系统。

过去十年间，计算领域经历了深刻变革。AI、微服务、多云部署、无服务器架构和平台工程等技术重塑了我们构建和运营软件的方式。为纪念书籍发布十周年，我们非常高兴地宣布《Google SRE 书籍》的全新改写版第二版，该版本总结了 Google 内部及整个行业十年来的经验教训，针对当今的运维挑战提供全新的指导。

为什么要更新这本书？

在出版第一版时，许多组织正专注于早期云迁移，并刚开始从单体架构过渡。如今，随着组织以高速度在全球范围内交付软件，挑战已不再是采用云基础设施，而是在面对巨大复杂性时保持高可靠性。

现代生产环境在持续变化中运行。系统边界更加复杂，依赖关系更加深入，故障模式比以往任何时候都更复杂且更具破坏性。生成式 AI 等资源密集型工作负载的激增改变了基础设施管理的经济性和运维需求。

编写第二版时，我们需要重新审视当今成功实施 SRE 所需的条件。

十年演变：SRE 实践的发展历程

第二版深入探讨了过去十年中基础站点可靠性工程实践的成熟过程，从手动、任务特定的工作转向自动化、平台级能力。例如：

SLO 和错误预算：2016 年，团队依赖基础可用性指标和手动错误预算政策。如今，实践已发展为以用户为中心的多层级 SLO，具备动态消耗率预警和自动化策略执行。

监控与可观测性：早期设置围绕静态仪表板、基础日志和手动告警分类。现代可观测性利用 OpenTelemetry、分布式追踪和自动化异常关联技术快速定位根本原因。

自动化与平台：运维工作已从为孤立任务编写自定义脚本，转向使用声明式基础设施即代码、内部开发者平台和具备自愈能力的弹性系统。

可靠性测试：现代工程不再仅依赖计划中的演练和合成负载测试，而是嵌入持续的弹性检查、自动化流水线测试和实时生产金丝雀验证。

容量与资源管理：手动配置和静态预测已被动态自动扩展、云FinOps对齐以及针对GPU和TPU工作负载的专用成本和集群优化所取代。

组织模式：SRE的职责范围已超越仅分配给特定应用的专职团队。如今的组织采用混合模式、平台工程整合以及跨产品团队嵌入的可靠性倡导者。

AI时代中的SRE

SRE与人工智能之间存在双重关系：一方面，SRE支持AI基础设施；另一方面，SRE团队利用AI增强运维可靠性。

运行大型语言模型（LLMs）和基础模型带来了全新的可靠性挑战。本书阐述了大规模运营AI基础设施的方法论：

• 管理大规模GPU和TPU硬件集群的可靠性及网络拓扑结构
• 监控AI特有的非确定性输出和延迟特性
• 确保持续模型训练、微调和数据处理的流水线可靠性

AI正在迅速成为可靠性工程师的倍增器。第二版分享了提升人工运维效率的实用框架：

• 使用生成式AI工具辅助实时事件排查和事后分析生成
• 通过自然语言查询分析复杂系统遥测数据
• 利用预测性机器学习模型在故障发生前识别资源瓶颈

未发生变化的是：文化的重要性

尽管技术和架构持续演进，SRE的核心原则始终保持不变，这些原则是建立以可靠性为中心文化的关键。因此，第二版重新强调并扩展了系统工程中的人文要素，以及如何实现这一目标。

无论您是该领域的新人、从业者、工程经理还是技术高管，重写后的《Site Reliability Engineering》第二版都将成为您通往下一代生产系统时代的权威路线图。

您可通过以下方式获取纸质版（参见Google Books）或数字版（来自O'Reilly）：

Posted in

• DevOps & SRE
• Developers & Practitioners