SREGym 实验：贵模型只当审查员，SRE 排障通过率 78.1%→89.5%
tianyin_xu · x · 2026-10-22
SREGym 让 TypeSafe Jev 智能体自主执行 SRE 排障，再由 GPT-6 Sol 审查根因。在 21 个 SREGym-Lite 故障（105 次试验）上，加入审查后通过率从 78.1% 升至 89.5%。
最值得借鉴的设计：限制审查者权限——Jev 负责选工具、跑目标、提出根因，LLM 只能看到已收集的证据，可保留或替换候选结论，但不能自己跑工具。「贵模型永远不开车，只验货」。
代价可见：单次诊断成本从 $0.017 升到 $0.033，平均耗时从 31.9s 增至 38.4s。
另外两个结果：换成 GPT-6 Luna Decisions 主驾时，审查带来的提升更大（79.0%→95.2%），说明 Jev 并非最强驱动；团队用更清晰的表述复问 LLM 修复过的案例时也观察到了相关现象。
所属事件:SREGym 实验：决策模型主诊 LLM 复核提效(2 条相关)→
「编程与Agent」频道最新
- Agent 翻车实录:失败全赖容器,「别怪信使」 — rakyll · 2026-10-22
- 事故处理 Agent 发问「这事故严重，要不要拉个人进来？」 — sloppenheimer · 2026-10-22
- NVIDIA 开源 Nemotron 3.5 Parse,登顶 ParseBench 文档解析榜 — llama_index · 2026-10-22
- Chatlet 研究项目:对话中自动「长出」界面辅助群体决策 — round · 2026-10-22
- AI Agent 代办重新部署险删 Postgres,甩锅容器引热议 — rakyll · 2026-10-22
- 南大提出苏格拉底技能学习:教学+练习交替训练可迁移 Agent 技能 — NJU-LINK · 2026-10-22