谷歌云的SRE团队最近发表了一篇文章，介绍了他们如何内部使用基于人工智能技术的Gemini CLI来解决实际发生的故障问题。这种做法通过将智能分析功能直接集成到终端操作工具中，有效提升了关键基础设施运行的可靠性，并缩短了事故响应时间。
据文章作者介绍，建立在Gemini 3技术基础上的Gemini CLI能够在故障处理的每一个阶段为团队提供帮助——从故障分类与初步应对措施，到根本原因分析以及自动化的事后总结工作。这一工具有助于降低故障缓解的平均时间，将用户受到的影响降到最低，同时确保SRE团队能够始终掌控整个处理过程，保证操作的安全性与有效性。谷歌的开发者倡导者Riccardo Carlesso与软件工程师Ramón Medrano Llamas详细阐述了他们的最终目标：
“我们非常重视故障缓解的平均时间。与专注于彻底解决问题的‘平均修复时间’不同，‘平均故障缓解时间’关注的是行动的速度——我们能多快消除故障带来的影响？在SRE领域，团队通常会设定5分钟的服务水平目标，以便尽快开始处理故障。”
文章作者还指出，虽然典型的故障处理过程包括四个标准阶段，但Gemini CLI能够在每一个环节发挥作用，从而帮助降低故障缓解的平均时间。他们以一个虚构的故障案例为例，展示了如何完全通过终端界面来完成整个故障处理流程——从初始排查到最终措施的实施。
“这对于大型语言模型来说是一项非常适合的任务：它们可以识别故障的症状，并选择相应的应对方案。这些应对方案是动态生成的，旨在确保代理能够安全地执行相应的操作。这些方案中可能会包含具体的命令指令，也会包括用于验证变更是否有效解决了问题，或者在必要时恢复原始状态的指示。”
目前，在实施任何应对措施之前，仍然需要人工进行审核确认。不过，随着代理技术的发展以及安全防护机制的不断完善，这种对人工审核的依赖预计会逐渐减少。在执行任何操作时，都必须进行明确的安全检查——因为在某种环境中被认为是安全的操作，在另一种环境中可能会带来风险。Gemini CLI所采用的多层安全控制机制，确保了代理只能作为操作人员的辅助工具来使用，而不会自主执行任务。Houzz公司的资深基础设施工程师Wen-Tsung Chang也强调了人工审核的重要性：
“无论我们目前处于哪个处理阶段，都应当始终保持责任心，绝不放弃运用批判性思维来进行问题分析。”
接下来的重点就是找出根本原因并制定长期的解决方案。在确认基础设施运行正常后，问题就被定位在应用程序的逻辑代码中，开发人员也会被引导去查看相关的源代码。
最后一步是进行事后分析：虽然整理时间线、日志以及相关操作步骤往往很繁琐，但Gemini CLI可以通过自定义命令来简化这一流程。这些命令能够从事件记录中提取对话历史、各项指标及日志信息，生成CSV格式的时间线文件，创建Markdown文档，并提出防止类似问题再次发生的措施。Carlesso和Medrano Llamas指出，虽然他们的示例中使用了一些谷歌内部的工具，但这种分析方法具有普遍性。他们总结道：
也许最令人兴奋的是接下来会发生什么。我们刚刚生成的那份事后分析报告？它会成为训练数据。通过将以往的分析结果重新输入到Gemini系统中，我们就形成了一个自我提升的良性循环：今天调查得出的结果，会成为明天解决问题的依据。
使用Gemini CLI、MCP服务器来连接Gemini与Grafana、Prometheus、PagerDuty等工具，再加上自定义命令，就可以构建出类似的 workflows，从而简化与Gemini CLI的交互过程。