Honeycomb 联合创始人 Charity Majors 谈 AI 可观测性：非确定性系统需要更多严谨

O'Reilly Radar· Ben Lorica 与 Charity Majors·2026-10-15 23:54· 1 小时前AI 评分46

真实世界中的生成式 AI：与 Charity Majors 探讨 AI 的可观测性

AI 导读

Honeycomb 联合创始人兼 CTO Charity Majors 在播客中讨论 AI 生成代码加速后如何构建可靠软件，指出可观测性用于回答未知问题、连接变更与结果。

正文

AI 让代码生成的速度超过了团队理解和支撑它的速度。在本期节目中，Honeycomb 联合创始人兼 CTO Charity Majors 与 Ben 一起探讨了这一转变如何改变构建可靠软件的工作。Charity 解释了可观测性如何帮助团队将变更与结果联系起来，为什么非确定性系统需要“更多严谨，而非更少”，以及追踪如何展示智能体在过程中所做的决策。在内容广泛的对话中，她和 Ben 还谈到了使用 OpenTelemetry 的自动插桩、为什么我们应该把自己视为“环上的所有者”、AI 在调试和 SRE 中的局限，以及更广泛的行业担忧，比如 AI 炒作给工程团队带来的压力，以及为什么是维护而非速度才能构建“持久价值”。

关于 Generative AI in the Real World 播客：2023 年，ChatGPT 让 AI 登上了每个人的议程。2026 年，挑战将是把这些议程变为现实。在 Generative AI in the Real World 中，Ben Lorica 采访那些正在用 AI 进行构建的领导者。从他们的经验中学习，帮助你在企业中让 AI 发挥作用。

在 O’Reilly 学习平台上查看本播客的其他剧集，或在 YouTube、Spotify、Apple 上关注我们，或在你获取播客的任何地方关注我们。

要点

00.59。“可观测性是为了应对未知的未知。”监控是一种设定阈值并针对预期状况发出警报的方式。可观测性支持开放式调查，以回答你未曾想到要问的问题，并“发现你未曾预料到的东西”。当 AI 代码生成变得足够强大、足以改变软件工作时，可观测性的最佳实践也不得不演进，这也是 Charity 与 Liz Fong-Jones 和 George Miranda 合著的《可观测性工程》第二版篇幅增加一倍以上的原因之一。

05.24。廉价的代码将工作重心转移到理解与支撑上。AI 可以快速生成实现、测试和文档，但团队仍然需要理解他们构建了什么、同意支撑什么，以及用户如何体验产品。随着生成代码行变得“实际上免费且即时”，验证、审查和运维支撑可能会限制团队的节奏。当然，Charity 打趣道，“软件开发生命周期的其他每一个部分”也是如此。

06.24。那些把 AI 辅助工作的功劳归于自己的人，应该能够解释它。AI 生成的结果（以及描述它们的论文）使作者身份、专业知识和学术训练过程变得复杂，这一点近来尤其让数学家们感到不安。Charity 和 Ben 一致认为，如果某人声称借助 AI 取得了一项成果，他们应该能够向同行展示它。当 AI 处理入门级问题时，各行业可能需要新的方式让初级从业者培养精通能力，但 Charity 怀疑我们会面临无问题可解的局面：

就像我已经接受了汽车比我走路或跑步更快这一事实一样，我也接受了计算机的计算能力比我更强这一事实。……这并不意味着实践、训练、学习或严谨没有价值。这只是意味着，这是人类不再最擅长的事情之一。但有很多事情是我们最擅长的，而在某件事上做到最好并不是它值得去做的全部原因。

15.56 非确定性系统需要“更多的严谨，而不是更少。” 正如 Charity 所指出的，“软件的未来既是确定性也是非确定性。关键在于利用赋予我们的这些超能力来构建那些反馈循环。而可观测性实际上就是反馈循环的反馈循环。”它连接行动与结果，帮助团队了解他们做出改变后发生了什么。她的类比是：

就像我们一直骑着割草机，只是噗噗噗、噗噗噗、噗噗噗地沿着路慢慢走。而现在，突然之间，我们的割草机装上了法拉利发动机，我们就像‘嗡！’现在我们可以嗡地冲进沟里。我们可以撞上墙壁。如果我们想沿着街道中间行驶，就必须构建结构。我们必须把严谨性构建到我们的系统中。

18.53 人们需要拥有这个循环，并理解智能体正在做出的决策。 如果你需要为你的智能体添加可观测性，Charity 建议从使用 OpenTelemetry 的自动插桩和捕获智能体决策及任务步骤的追踪开始。至于你的角色，它不仅仅是保持“在”循环中。Charity 更喜欢“循环上的所有者”这个说法，因为它强调管理这些系统所需的主动理解和控制。AI 可以增强经验丰富的调试和 SRE 团队，尤其是在罕见、高风险事件中由人指导工作时。智能体在这些情况下几乎没有训练数据，可能会使事件更难诊断。Charity 指出，这些工具“不是魔法”。AI“不是专业知识的替代品，但它可以是一个非常强大的副官……在你身边。”

26.00 不同的遥测需要不同的策略。 Charity 区分了来自第三方基础设施的大量输出与公司自有代码产生的业务关键遥测。

有面向基础设施的可观测性，这主要是第三方代码。……这是你没有编写的代码，但你必须操作它。你无法更改它，但它只是将大量日志和指标输出到你的数据库日志和 ETL 中，或者 CloudWatch，所有这些第三方代码只是在发出大量东西。……那些东西你应该就放在某个廉价商品化存储的地方。……它不应该超级昂贵，只是在你需要它的时候它就在那里。

接下来是你的核心资产：你的代码，那些让你成为公司的代码。 . . . 你应该以尽可能保留数据点之间关系的方式进行埋点：任意宽度的结构化数据块、结构化日志，和/或包含大量 span 的 trace。因为数据中最有价值的部分就是这些关系。 . . . 你不希望把它分散成成百上千个单独的指标或日志行。你希望把它们保持在一起，以便进行关联：当这件事发生时，那件事也发生了；或者当这件事发生时，那个条件为真；或者当这件事发生时，它是这个长事件的一部分。 . . . 这是你拥有的最重要的数据。为此，它应该被送到某个地方……一个能保留这些关系、并让你或你的 agent 能够对其进行探索的地方。

来源：O'Reilly Radar · oreilly.com