夜莺官方交流群里，秦老板分享了下 2025年 catchpoint 发布的 sre 报告，有些行业动态值得关注。做了简单翻译和总结，分享给大家。

《2025 年 SRE 报告》（第七版）由 Catchpoint 发布，基于 2024 年 7-8 月全球 301 份可靠性相关角色的调研数据，聚焦站点可靠性工程（SRE）领域的核心趋势、挑战与实践，以客观数据呈现行业现状，未提供规定性建议，而是赋能组织结合自身场景提炼洞察。报告核心围绕七大关键洞察展开，同时包含人口统计背景与 Catchpoint 品牌介绍，整体凸显 “可靠性与性能并重、工具与实践协同、组织与个人适配” 的核心逻辑。

一、核心观点总结

观点一：“慢即宕机” 成为行业共识（Slow is Officially the New Down）

• 核心观点：系统性能不佳与完全宕机的负面影响等价，性能已超越 “可用性” 成为可靠性的核心维度。
• 关键数据：53% 的组织认同 “慢即宕机”，但仅 21% 此前听过该表述；41% 的组织将 SRE 列为未来 12 个月首要优先级，40% 优先选择服务级 / 体验级目标（SLO/XLO）。
• 现状与建议：前后端监控覆盖率（前端 41%、后端 51%）高于持续性能优化率（前端 30%、后端 33%），需打破 “监控孤岛”，从内外部多视角进行全链路性能优化，同时通过 “消耗曲线图” 可视化性能与错误预算，平衡敏捷与稳定。

观点二：辛劳工作（Toil）首次回升，AI 未达降本预期

• 核心趋势：手动、重复、可自动化的辛劳工作占比五年内首次上升，侵蚀主动工程创新时间。
• 关键数据：2025 年辛劳工作中位数从 2024 年的 14% 升至 20%；运营类工作中位数从 25% 升至 30%，而工程类工作占比与 2024 年持平。
• 潜在原因：① AI 未有效减少辛劳，反而新增监控 AI 模型、维护 GPU 集群等运营负担；② 组织优先短期成本节约，忽视长期自动化投入；③ 产品交付压力下，工程团队缺乏时间优化运营流程。

观点三：组织优先级不稳定，敏捷与稳定的冲突加剧

• 核心矛盾：生产压力越大，组织优先级越易波动，“发布进度优先于可靠性” 的现象普遍存在。
• 关键数据：57% 的团队认为组织优先级稳定，58% 认同 OKR 沟通清晰，53% 表示可靠性问题得到重视，但 41% 的组织 “经常 / 总是” 被迫优先保障发布时间表而非可靠性。
• 深层问题：尽管表面流程完善，但业务对 “更新迭代、营收增长” 的诉求与 SRE 对 “可靠性、韧性” 的追求形成博弈，且优先级稳定性与生产压力呈负相关。

观点四：多监控工具并非问题，价值大于成本是核心（Single Panes or Multiple Pains?）

• 核心结论：“工具 sprawl（蔓延）” 并非本质问题，工具能否提供净价值（覆盖成本）才是关键，多工具适配不同技术栈的需求是合理选择。
• 关键数据：61% 的组织使用 2-5 个监控 / 可观测性工具，仅 4% 使用单一工具；51% 的组织认为可观测性 “不足”，但多数（49%）认同工具价值大于成本（31% 同意 + 18% 强烈同意）。
• 实践建议：日志（58%）、指标（56%）、事件（48%）、追踪（45%）的 “高价值” 认同率居前，应采用 “最优组合” 策略选择工具，聚焦 “相关遥测数据捕获” 而非工具数量精简，同时警惕 “单一控制台” 可能导致的可观测性不足。

观点五：AI 技术培训需求普遍，但学习资源与时间不足

• 核心趋势：全层级对 AI 技术培训的需求达成共识，但学习时间短缺、培训形式偏好存在层级差异。
• 关键数据：30% 的受访者希望获得 AI 技术培训，37% 持谨慎态度；55% 认为在线培训（Coursera 等）最有价值，45% 认可线下实地培训；67% 表示 “学习时间不足”，仅 6% 认为学习时间充足。
• 层级差异：管理层更偏好线下培训（侧重协作与软技能），个人贡献者倾向在线培训（追求灵活性与自主性）；个人贡献者对 AI 的谨慎态度（46%）高于管理层（30%）。
• AI 应用预期：“代码编写”（39% 高价值认同）是最受看好的 AI 场景，“发布管理”（17% 高价值认同）最低，较 2024 年下降 10 个百分点。

观点六：事件频发且影响深远，管理层深度参与响应

• 核心认知：系统故障并非偶然，而是常态，且事件的影响延伸至 “响应后”，需重视全周期支持。
• 关键数据：40% 的受访者 30 天内处理 1-5 起事件，23% 处理 6-10 起；管理层参与事件响应的比例与个人贡献者相当，甚至更高；14% 的受访者在事件后压力上升，事件后团队支持率（44% 高支持）低于事件中（55% 高支持）。
• 实践启示：需建立 “无指责事后复盘” 文化，完善事件后改进机制，同时优化升级流程，避免核心人员过度参与常规事件响应。

观点七：IT 与业务存在沟通差距，需正视并弥合

• 核心发现：不同管理层级对可靠性实践的认知存在差异，整体实践虽有积极表现，但 “认知差距” 影响协同效率。
• 关键数据：① 整体表现：53% 的团队在产品全生命周期优化可靠性，49% 有明确的事件管理流程，51% 将第三方供应商纳入事件管理；② 层级差异：个人贡献者对 “修订可靠性目标”“事件准备测试” 等实践的 “不同意率” 高于管理层，反映 IT 执行层与业务管理层的认知错位。
• 解决方向：建立透明沟通渠道，定期更新可靠性实践评估，确保 IT 与业务对 “当前状态”“目标优先级” 达成共识，避免资源浪费与重复劳动。

二、核心趋势与挑战总结

• 性能成为可靠性核心：“慢即宕机” 共识推动 SLO/XLO 落地，性能优化从 “可选” 变为 “必需”。
• 工具价值优先于数量：多工具组合是行业常态，关键在于匹配技术栈需求并实现 “价值> 成本”。
• AI 的双刃剑效应：AI 未如预期减少辛劳，反而新增运营负担，但培训需求显示其长期潜力。
• 组织与个人的适配矛盾：管理层与执行层的学习偏好、AI 态度、可靠性认知存在差异，沟通与协同是关键。
• 事件管理需全周期视角：事件响应不仅是 “解决故障”，更需重视事后改进、压力疏导与团队支持。

归根结底，行业变动下的 SRE 价值，早已超越 “保障系统不宕机” 的基础诉求 —— 而是成为组织在不确定性中保持稳定、实现可持续增长的核心韧性引擎。唯有以数据为依据、以业务为导向、以协同为支撑，才能在技术迭代与业务波动中持续创造价值。

版权所有

版权归属：pylixm

许可证：署名 4.0 国际 (CC-BY-4.0)