腾讯游戏用Harness工程打造SRE可控生产环境

随着人工智能技术的快速发展，SRE（站点可靠性工程）领域正经历深刻变革。然而，LLM（大型语言模型）的不确定性与生产环境对确定性、准确性的要求之间存在显著矛盾。为解决这一难题，腾讯游戏团队基于Harness工程构建了一套可控制的生产环境方案，成功将AI能力应用于实际运维场景。

在2026年10月22日至24日于上海举办的QCon全球软件开发大会上海站上，腾讯高级SRE工程师王杰发表了题为《用Harness工程打造SRE可控的生产环境》的主题演讲。他指出，当前业界的SRE Agent实践大多局限于只读分析层面，无法真正触碰生产环境。为此，腾讯游戏团队创新性地采用了全面代码化与GitOps引擎相结合的方式，将发布变更转化为改代码和改配置的操作，从而规避了LLM输出的不确定性风险。

具体而言，该方案通过以下三个核心机制实现生产环境的可控性：首先，所有变更必须经过Git版本控制系统和人工审查，形成不可绕过的变更护栏；其次，构建了多Agent专家团与人协作的执行体系，涵盖了发布变更、扩缩容、配置调整等基础运维任务；最后，每次任务过程都被完整记录并评估，沉淀为可跨业务共享的能力。

王杰在演讲中详细展示了这套方案的实际应用效果。例如，在一次云基础设施扩容任务中，多个SRE Agent协同工作，通过看板与Issue状态传递机制，实现了端到端的告警自愈闭环。从告警到达、自动建单、生成变更、人工审核、合并执行到观测验证，整个流程高效且可追溯。

此外，该方案还特别设计了经验复用机制。通过工单与AI工时系统，将每次任务的经验从个人层面提升至组织层面，形成了"从工单到Skill"的知识沉淀路径。这种设计不仅提升了整体运维效率，也为后续类似任务提供了可复用的模板。

"我们希望通过这套方案，让SRE Agent真正具备触碰生产环境的能力，同时确保操作的确定性和可追溯性。"王杰表示。他的团队已经将这套方法论在腾讯游戏内部广泛应用，并取得了显著成效。这一实践不仅解决了AI时代SRE面临的重大挑战，也为行业提供了可借鉴的解决方案。随着更多企业开始探索AI与SRE的融合，这套基于Harness工程的可控生产环境方案有望成为行业标准之一。