红杉美国等机构4800万美金超大额押注，四位学者做了一个细分领域的AI coding产品

想象一下，凌晨三点你被电话吵醒，公司的核心系统彻底崩溃，数十万用户无法正常使用服务，每分钟损失数万美元。你和 50 个工程师挤在一个 Slack 紧急群里，面对着成千上万条日志、指标和报警，却根本找不到问题的根源。这不是噩梦，这是每个软件公司都会遭遇的真实场景。当系统故障发生时，传统的监控工具就像给你一堆拼图碎片，却不告诉你最终图案是什么样子。

这正是我最近关注的一家公司 Traversal 要解决的核心问题。这家由四位学者创立的初创公司刚刚获得了 4800 万美元的融资，Sequoia 领投种子轮，Kleiner Perkins 领投 A 轮，还有 Nat Friedman 和 Daniel Gross 的 NFDG 以及 Hanabi 参与投资。但让我真正感兴趣的不是融资数字，而是他们对软件可靠性问题的深刻理解，以及通过 AI 彻底改变故障排除方式的愿景。在 AI 生成代码越来越普遍的今天，系统变得比以往任何时候都复杂，传统的故障排除方法已经无法应对这种复杂性。Traversal 的解决方案不只是又一个监控工具，而是一个能够真正理解系统因果关系、自主进行故障诊断的 AI SRE agent。

四个学者的深夜创业决定

Traversal 的故事始于哥伦比亚大学的深夜会议。每个工作日晚上十点，四个学者聚在一起，有时讨论到凌晨两点，谈论着一个共同的想法：是否应该放弃各自的学术生涯，投身到创业的未知世界中。这四个人分别是 Anish Agarwal、Raaz Dwivedi、Ahmed Lone 和 Raj Agrawal，他们的研究领域横跨因果机器学习、强化学习和 AI agent，而这些正是解决复杂系统故障问题的关键技术。

对于 Anish Agarwal 来说，这个决定尤其不容易。那个学期，他刚刚在哥伦比亚大学开始了一个终身教职，之前在 MIT 获得了博士学位，学术生涯正在起步。但他被创业的未知所吸引。"我必须参与到这个游戏中来，"来自新加坡的 Agarwal 说道，"我看着我的同龄人——比如 Cartesia 和 Reflection AI 的创始人们。他们都非常聪明，正在建立公司。从 DNA 来说，他们都是具有商业直觉的研究者。他们在解决真正困难的技术问题，并继续以非常酷的方式进行研究。这感觉是对的，这就是我的动机。"

这种从学术界到创业界的转变并不罕见，从 VMware 的 Mendel Rosenblum 到 Databricks 的 Ali Ghodsi，都走过了类似的道路。但 Agarwal 和他的联合创始人们有一个独特之处：他们选择的问题领域——软件可靠性和故障排除——是一个几十年来一直困扰着整个软件行业的难题，而且随着 AI 时代的到来变得更加复杂和紧迫。

团队的构成也很有趣。除了三位在 MIT 和伯克利获得博士学位的 AI 研究者外，还有 Ahmed Lone，一位前 Citadel Securities 的量化交易员。正是在这种高风险、高压力的金融交易环境中，Ahmed 亲身体验了系统故障的可怕后果。他回忆起一次在市场开盘前几分钟遭遇系统故障的惊险经历，那种分秒必争寻找问题根源的紧张感让他深刻理解了故障排除的重要性。这种学术研究和实战经验的结合，为 Traversal 的技术方向奠定了坚实基础。

传统故障排除方法的根本缺陷

在我看来，当前的故障排除流程本质上仍然是一种"考古学"工作。当系统出现问题时，工程师们要在海量的日志、指标和追踪数据中寻找蛛丝马迹，就像考古学家在废墟中挖掘文物一样。这个过程不仅费时费力，而且极其依赖经验和直觉。现有的可观测性工具虽然收集了大量数据，但往往给工程师带来的是信息过载而非可操作的洞察。

Ahmed Lone 的亲身经历完美诠释了这种痛苦。作为前 Citadel Securities 的量化交易员，他永远不会忘记 2023 年 1 月 3 日那个恐怖的早晨。新年假期后的第一个工作日，他照常来到办公室，喝咖啡、查邮件，然后开始每天必做的工作：注册所有隔夜交易订单。但这一天，当他试图添加订单时，系统出现了异常——没有任何订单填充到系统中。起初，他认为这只是个小问题，ping 了一下开发人员，但 30 分钟后意识到，没有人回应，他们都还在家里睡觉，可能还宿醉未醒。

接下来发生的事情就像一部惊悚片。Ahmed 联系了欧洲的同事，让他们上线，但没有人知道系统是如何工作的。他们尝试重启系统，但仍然无法解决问题。事态开始升级——创建 Slack 频道，启动 Zoom 通话，召集一群工程师。他们开始查看数据，发现数据显示一切正常，日志在正常填充，显示所有订单都进入了中央数据库，但中央数据库却没有显示这些订单。问题是，没有人知道中央数据库的负责人是谁，不知道该联系谁，不知道什么坏了，该怎么办，所有人都在恐慌。

老板不断过来问："你知道什么时候能修好吗？"Ahmed 完全不知道该告诉他什么。20 分钟后，他们仍然没有找到问题所在，距离市场开盘只剩 7 分钟。如果他们不能在开盘前解决问题，就无法开始交易。老板开始打电话给客户，告诉他们无法赶上开盘。Ahmed 不知道发生了什么，接到了摩根大通和美国银行的电话，他们说有数亿美元的交易中断，而 Ahmed 完全不知道他们在说什么。一切都在着火。

就在这个关键时刻，一位名叫 Kashish 的软件工程师成了救星。他想起在产品的第一个版本中，他们只有月份和日期字段，没有年份字段。果然，如果你查看代码，会发现当前年份被硬编码为 22。距离开盘不到一分钟，他们终于解决了问题。但他们并不总是这么幸运，更多时候，这些事故会升级到生产环境，造成真正的损失——金钱损失、人员损失。那位超级明星开发者 Kashish 几个月后就离开了那份工作，因为倦怠，因为他再也无法承受了。Ahmed 还记得有一次他非常兴奋地去约会，结果约会进行到一半时不得不打开笔记本电脑，因为隔夜系统崩溃了，女孩理所当然地离开了。

Traversal 的 CEO Agarwal 把故障排除描述为"软件中最复杂的工作流程之一"，这就是为什么你会看到 50 个人在应急处理室里"救火"，直到他们找到答案。这种描述非常形象。我曾经见过一次大型互联网公司的系统故障，超过 100 名工程师同时在线处理同一个问题，他们分散在不同的时区，通过视频会议协调工作，每个人都在查看不同的监控仪表板，试图拼凑出完整的故障画面。

问题的根源在于传统监控工具的设计哲学。它们基于一个假设：只要收集足够多的数据，人类就能从中找出问题所在。但现实是，现代软件系统的复杂性已经超出了人类的理解能力。想象一下 Uber 的微服务架构图——试图在这样的复杂系统中找到一个硬编码的年份，想想有多少服务可能会受到单个 bug 的影响，以及找到问题核心需要多长时间。一个典型的云原生应用可能涉及数百个微服务，每个服务都有自己的依赖关系、配置和状态。

现代可观测性技术栈让问题变得更加复杂。公司使用 OpenTelemetry 进行数据摄取，使用 Prometheus 进行指标处理，使用 Grafana 进行可视化，使用 Datadog 作为统一层，使用 Thanos 进行指标存储，使用 Logstash 进行日志存储，使用 Sentry 进行警报。这是压倒性的，是不可能的，仅仅学习如何使用所有这些工具就是一个完整的职业生涯。但这些工具都没有触及问题的核心，即到底出了什么问题，我正在处理的事故的根本原因是什么。

更糟糕的是，随着 AI 生成代码变得越来越普遍，这个问题正在急剧恶化。AI 生成的代码虽然能够提高开发效率，但也带来了新的挑战：代码更难维护和调试，系统的复杂性和相互依赖性进一步增加。如果停机时间和技术债务继续上升，组织可能会对 AI 驱动的软件开发产生犹豫，担心生产力的提升被运营上的头痛所抵消。这种潜在影响是巨大的——失去客户信任、工程团队疲惫不堪，以及无休止的"仪表板垃圾搜索"。

数据显示这个问题的严重性：停机已经是一个巨大的问题，每年给企业造成 4000 亿美元的损失，重大事故期间每小时损失高达 100 万美元。当今的可观测性工具代表着仅次于云计算的第二大软件支出，然而它们往往用噪音而非可操作的洞察来压倒团队。结果是，工程师可能要花费高达 30% 的待命时间来救火和寻找事故根源，而不是进行建设和创新。正如 Ahmed 所说，工程师甚至会因为故障排除的压力而在约会时被迫离开，这种个人生活的牺牲反映了这个问题的严重程度。

什么是 AI SRE，为什么它代表未来

面对传统故障排除方法的种种弊端，软件行业急需一场革命。这就是 AI SRE（AI 站点可靠性工程）概念诞生的背景。简单来说，AI SRE 是将人工智能技术应用到站点可靠性工程中，让 AI 系统能够自主地监控、诊断和修复软件系统的问题，从而减少人工干预的需要。

传统的 SRE 依赖人类工程师的经验和直觉来维护系统稳定性，而 AI SRE 则能够处理远超人类能力的数据量和复杂性。它不仅能够识别问题症状，更重要的是能够理解系统组件之间的因果关系，找出真正的根本原因。这种能力在现代复杂的微服务架构中尤其重要，因为问题往往涉及多个系统组件的复杂交互。

我认为 AI SRE 的真正价值在于它能够将"观察"转化为"行动"。正如 Ahmed 在他的演讲中提到的，"可观察性是一个动作，我们寻找的圣杯是根本原因分析即服务——一个端到端的解决方案，从指标、日志、追踪直接到出了什么问题的根本原因。"这正是 Traversal 正在构建的：一个使用传统机器学习和统计工具的 agent，直接在你的遥测数据上训练，找出问题的核心，或者换句话说，你的个人 Kashish。

AI SRE 的优势不仅在于速度，更在于一致性和可扩展性。人类专家可能因为疲劳、压力或经验不足而犯错，但训练有素的 AI 系统能够 24/7 不间断地工作，以相同的精确度处理每一个问题。更重要的是，AI SRE 能够同时处理多个事故，从大量的历史数据中学习，并且随着时间的推移不断改进其诊断能力。

从技术架构角度看，现代 AI SRE 系统通常结合了多种 AI 技术：大语言模型用于理解和生成人类可读的报告，机器学习算法用于模式识别和异常检测，强化学习用于优化修复策略，因果推理用于理解复杂的系统依赖关系。这种多技术融合的方法使得 AI SRE 能够处理从简单的配置错误到复杂的分布式系统故障等各种问题。

Traversal 的技术突破与创新

Traversal 的核心创新在于将因果机器学习、强化学习和 AI agent 技术结合起来，创建了一个能够自主进行故障诊断的系统。他们构建的"AI SRE agent"不是简单地搜索和匹配日志条目，而是能够理解系统之间的因果关系，自主地"遍历"大规模数据集，编排工具调用，并实时找出真正的根本原因——而不仅仅是症状。

我发现 Traversal 的方法特别聪明的地方在于，他们没有试图替换现有的监控基础设施，而是在其之上构建了一个智能层。他们的系统可以与现有的可观测性工具（如 Elastic、Datadog、Dynatrace）无缝集成，只需要只读访问权限，就能够分析来自多个数据源的信息。这种设计让企业能够在不改变现有技术栈的情况下，快速获得 AI 驱动的故障诊断能力。

更重要的是，Traversal 的技术架构推进了 AI agent 的前沿发展。他们开发了一种"并行调查群体"的方法，让多个 AI agent 同时从不同角度分析同一个问题，并使用专有的统计工具来验证和整合发现。这种方法让他们能够在企业规模上立即生效，处理数 PB 级别的异构数据，同时遵守系统健康的查询限制。

技术团队的学术背景在这里发挥了关键作用。三位联合创始人都在因果机器学习方面有深厚的研究基础，这让他们能够超越简单的相关性分析，真正理解系统组件之间的因果关系。而 Ahmed Lone 在高频交易环境中的实战经验，则确保了解决方案的实用性和可靠性。

从客户反馈来看，这种技术方法确实有效。DigitalOcean 的首席技术和产品官 Bratin Saha 表示，在六个月的使用期间，Traversal 帮助他们将问题解决速度提高了 37%。考虑到 DigitalOcean 服务着数十万客户的云基础设施，"即使是微小的平台事故也会迅速升级，影响客户体验并产生重大成本"，这种改进意义重大。

Traversal 的系统在处理各种复杂场景时都表现出色。无论是多个服务之间的级联故障，还是由配置变更引起的微妙性能下降，AI SRE agent 都能够快速识别根本原因并提供可操作的修复建议。据报告，他们在数百起高影响事故中达到了超过 90% 的准确率，这个数字在传统故障排除方法中是不可想象的。

AI SRE 市场的机遇与挑战

从投资者的角度来看，Traversal 所处的市场时机非常完美。Sequoia 的合伙人 Bogomil Balkansky 观察到："每当有新事物出现时，无论是新趋势、新市场、新产品类型，还是新技术，猜猜会发生什么？它需要被监控。这就是可观测性。它需要被保护，这就是安全性。这就是为什么这两个领域——可观测性和安全性——会周期性地产生大赢家。"

近年来可观测性领域的一些赢家包括 Splunk、Datadog、Dynatrace、AppDynamics 和 New Relic。对于位于可观测性和 AI 交叉点的 Traversal 来说，这意味着巨大的机会，特别是考虑到公司正在赶上"AI 编程浪潮"。正如 Kleiner Perkins 的合伙人 Mamoon Hamid 所说："编写的代码量已经在以惊人的速度增长，而随着 AI 代码生成，这种增长正在前所未有地加速。随着 AI 创建更多代码，需要故障排除的表面积就更大。需要 AI 来自主排除故障、调解甚至大规模预防复杂事故——自愈代码生成。"

我认为这个观察抓住了当前技术发展的核心矛盾：AI 在提高开发效率的同时，也在创造新的复杂性和故障点。传统的故障排除方法根本无法跟上这种变化的步伐。这就创造了一个完美的市场机会窗口，需要像 Traversal 这样的解决方案。

从市场结构来看，我发现 AI SRE 解决方案通常沿着两个轴进行分类：处理的故障排除工作流程的复杂性，以及搜索的数据范围。目前大多数 AI 解决方案都专注于处理简单的故障排除工作流程，即那些频繁发生的常规、嘈杂警报。这些是公司通常已有现成手册的警报类型，包括检查特定服务仪表板、与最近的错误日志关联、与最近的部署关联等步骤。虽然这种简单的故障排除的货币价值较低，但由于此类警报的数量庞大，需要待命工程师付出大量劳动。

现有平台的 AI 解决方案容易设置，但它们只能提供存储在其平台上的数据的洞察。这就为 AI agent 创造了机会，可以执行更复杂的手册，需要与不同的可观测性数据源交互并避免供应商锁定。但真正的机会在于跨平台、高影响的事故。通过让 AI agent 排除最复杂、最棘手、最痛苦的事故，可以获得显著更多的价值。这些是可能需要数天才能解决并影响多个团队的事故，就像 Ahmed 经历的那次金融交易系统故障一样。

我见过 50-100 多名工程师聚集在事故应急室，影响数万客户，引起领导层和用户的关注和愤怒。这种事故从定义上来说极难排除，仅仅依靠 LLM 驱动的手册自动化是不够的。它们是 AI agent 自动化的一些最困难问题。每个事故都是一个"雪花"，不能整齐地适应常规工作流程，需要遍历不同部分的冗长可观测性堆栈中的 PB 级数据；这种可观测性数据的碎片化正是我认为现有平台的 AI SRE 解决方案无法处理复杂事故的原因。

在 Traversal，这就是为什么他们专注于帮助工程组织处理真正的生产事故——客户反复强调这是在停机时间、声誉损害和开发者生产力方面最有价值的地方。这是一个困难的问题，他们在 AI agent 架构方面取得了重大技术突破，找到了让分布式并行 agent 群体在 PB 级异构数据上执行复杂统计测试的方法，同时遵守系统健康的查询限制。对他们来说，处理警报是基础要求，但他们技术的专业化和优势在于如何处理对团队打击最大的真正严重和复杂的事故。

我认为这个框架——单平台与跨平台，以及 AI agent 预期处理的工作流程复杂性——不仅适用于 AI SRE 领域，也适用于更广泛的范围。我看到同样的模式在安全、产品分析、网络等领域出现。那些能够处理最复杂、跨系统问题的 AI 解决方案将获得最大的市场价值，而那些只能处理简单、单一平台任务的解决方案将面临激烈的竞争和商品化风险。

技术评估与实际价值

在评估 AI SRE 产品时，我发现很多企业容易陷入表面功能的比较，而忽略了真正重要的核心能力。Traversal 在他们的材料中提供了一个非常实用的评估框架，我认为这个框架不仅适用于他们自己的产品，也适用于整个 AI SRE 领域。

成功的评估从现实世界的相关性开始。领先的组织通过四个步骤构建他们的评估：选择 1-2 个一直承受事故痛苦且可能受益的高影响团队；分享 10 个对这些团队真正重要的历史事故；预先定义成功标准；在供应商之前未见过的实时事故上进行评估。这种方法确保了评估的真实性和实用性。

在技术要求方面，只读访问是关键。没有组织希望在其部署和收集器中增加额外的开销，这太具有侵入性了。如果产品无法仅使用现有数据工作，那么它可能不合适。部署速度也很重要——从初始数据访问到在一周内获得产品的初始版本，再用一周时间与供应商一起校准。快速的价值实现时间是必不可少的。

但最关键的是准确性和具体性。一旦 AI SRE 运行起来，其稳定状态的价值来自于其准确识别根本原因的一致性。然而，"准确的根本原因"对不同团队意味着不同的东西，所以需要将其锚定到三个实际期望：理想的是精确定位导致事故的确切变更；良好的是提供足够的上下文来缩小影响范围并呼叫正确的团队；糟糕的是让工程师走向错误的道路。

Traversal 使用了一个更精细的五级评估体系，将每个根本原因分析（RCA）量化为具体分数，并定期与客户分享。重要的是，他们的准确性指标是置信度加权的：答案只有在 AI 既正确又高度确定时才能获得满分——反映了值得信赖、决定性指导的价值。这个评分体系还将每个准确性等级与你可以期望的工程师努力和平均修复时间（MTTR）的减少联系起来，准确显示了更高精度的 AI 如何转化为更快、更少痛苦的事故恢复。

从实际效果来看，最高级别的"靶心 RCA"能够在 10-15 分钟内完成修复，MTTR 减少高达 90%。即使是中等级别的"方向性 RCA"也能在约 30 分钟内完成修复，MTTR 减少高达 70%。这些数字对于任何经历过深夜故障处理的工程师来说都是极具吸引力的。

对软件行业未来的思考

我认为 Traversal 的成功不仅仅是一个产品或公司的成功，而是整个软件行业向更智能、更自动化方向演进的一个重要标志。随着系统变得越来越复杂，人类靠直觉和经验进行故障排除的时代正在结束，AI 辅助甚至 AI 主导的故障诊断将成为标准。

这种转变对整个软件开发生态系统都有深远影响。对于工程师来说，这意味着他们可以从繁重的故障排除工作中解放出来，专注于更有创造性和战略性的工作。对于企业来说，这意味着更高的系统可靠性、更低的运营成本，以及更好的客户体验。对于整个行业来说，这可能标志着我们从"反应式运维"向"预测式运维"的转变。

我特别欣赏 Traversal 团队强调的一点：他们仍然深深植根于 AI 研究，并将这种科学严谨性和创造力投入到为企业构建顶级 AI agent 实验室中。他们相信 AI 最令人兴奋的进展现在正在具有研究 DNA 的初创公司中发生，这些公司正在解决最困难的技术问题。这就是他们认为下一波突破将出现的地方：在前沿研究和企业现实世界影响的交叉点。

从更广阔的视角来看，Traversal 所代表的不仅仅是技术创新，更是思维方式的转变。传统的监控工具基于"收集数据，让人类分析"的模式，而新一代的 AI SRE 工具则基于"理解因果关系，自主解决问题"的模式。这种转变的意义可能不亚于从手工操作到自动化生产的工业革命。

Agarwal 提到的一个观点让我印象深刻："大多数工作，你在 A 点，必须到达 B 点，从 A 到 B 很困难。但在研究中，你并不真正知道 A 在哪里，也不知道 B 在哪里。即使你知道，到达那里仍然很困难——我喜欢这样。我享受这种不确定性。"这种拥抱不确定性、探索未知的态度，正是推动技术进步的核心动力。

在 AI 时代，这种研究精神变得更加重要。传统的软件开发越来越像是组装已知组件，而真正的创新发生在那些愿意探索未知、解决复杂问题的团队中。Traversal 的成功证明了，当学术研究的严谨性遇到企业需求的紧迫性时，可以产生真正变革性的解决方案。

展望未来，我相信我们会看到更多类似 Traversal 的公司出现，它们将深度技术研究与实际商业价值相结合。这种趋势不仅会推动 AI 技术的发展，也会重塑整个软件行业的运作方式。当系统能够自我诊断、自我修复时，我们对软件可靠性的期望将达到一个全新的高度。而 Traversal 的 4800 万美元融资，正是投资者对这个未来的强烈信心表达。

就像 Ahmed 在那个令人难忘的约会中被迫打开笔记本电脑处理系统故障一样，今天的工程师仍然被束缚在 24/7 的待命状态中。但随着 AI SRE 技术的成熟，我们或许能够真正实现"让工程师睡个好觉"的承诺。这不仅是技术的进步，更是人性化工作环境的回归。当 AI 能够承担起守夜人的角色时，人类就能专注于真正需要创造力和智慧的工作上。

正如 Traversal 团队所说，他们相信最令人兴奋的 AI 进展现在正在具有研究 DNA 的初创公司中发生，这些公司正在解决最困难的技术问题。复杂性确实会扼杀公司，但通过 AI 的力量，我们或许能够驯服这种复杂性，让技术真正为人类服务，而不是让人类被技术所奴役。这就是 Traversal 和整个 AI SRE 领域正在努力实现的愿景——一个系统能够自我理解、自我修复的未来。

文章来自于“深思圈”，作者“Leo”。