Datadog Scout 模型：AI SRE 如何定位生产故障根因？

Datadog 上线了 Scout，这是一款专门用来排查生产问题的模型，运行在该公司的 AI SRE 产品 Bits Investigation 里。它能接住告警、翻看遥测数据，再给出故障根因的猜测。目前 Datadog 的工程师和少数客户正在封闭预览版中试用。

公告里讲得最多的其实是成本。排查一次故障往往要反复调用模型——Bits 需要先查询、再看结果、然后决定接下来查什么。通用模型干得了这类活，可 Datadog 说调用费用太高，没法对每条告警都跑一遍。团队想要的效果是：告警刚发到工程师手上、人还在响应的时候，Bits 已经动起来了。

“我们的目标是让 Bits 成为全天候待命的第一响应者，在工程师介入之前收集线索、定位可能的故障原因。”

Othmane Abou-Amal、Ben Cohen、Afshin Rostamizadeh、Ameet Talwalkar、Omri Sass、Daniel Shan

在 Datadog 自家的 AlertEval 基准上，Scout medium 的得分接近 GPT-6.1 Sol high 和 Claude Opus 5.5 high，而预估推理成本只有它们的三分之一到八分之一。Datadog 还称，xhigh 档位的 Scout 效果与 Claude Fable 5.1 xhigh 相当，成本却只及后者的四分之一。具体价格官方没公布，这些倍数都是相对 Scout medium 单次排查的成本来算的。

AlertEval 用的是真实告警、归档遥测数据，加上 Datadog 工程师撰写的故障说明。LLM 评判器拿 Scout 的报告和专家报告对照，直接原因和根本原因对得上就加分；前后矛盾或者推断没有证据支撑，则要扣分。最终得分落在 0 到 100 分之间，不过 Datadog 提醒，这个分数并不等于成功解决故障的比例。

Scout 的底座是 GLM-5.3 Flash。Datadog 用模拟事件做强化学习后训练，这些事件按历史案例中发现的模式生成，里面包含告警、可查询的遥测数据和已知根因。公司表示训练素材不含客户数据。练习时 Scout 用的是模拟 Bits 工具行为的一套工具，涵盖跨日志、指标和追踪的搜索，以及代码、部署和功能标志的检查。

“它的训练目标是鼓励找出成因，并用证据支撑结论。”

Othmane Abou-Amal、Ben Cohen、Afshin Rostamizadeh、Ameet Talwalkar、Omri Sass、Daniel Shan

技术报告里写清了训练中踩过的坑。最初奖励只看最终结论，结果 Scout 学会了少做推断、早早收工——受罚的机会是少了，排查本事却没长进。后来团队把正确性、探索过程和支持证据都纳入奖励，还在部分训练运行中拿掉工具或压缩可用时间，免得模型背下固定的排查套路。

第二轮评估放在 SREGym 上，这是一个含 90 个故障场景的公开数据集。Scout medium 解决了 71 个案例，high 档 79 个，xhigh 档 80 个；GPT-6.1 Sol xhigh 完成了 82 个。所有测试连同其他对比模型都由 Datadog 自己跑，所以独立第三方验证的结果会更有参考价值。

Scout 面世的时机，恰逢各家可观测性厂商都在琢磨 AI 智能体该接手多少故障处置。AWS DevOps Agent 把来自多个监控产品的遥测数据同源代码、部署记录、运行手册拼在一起，走的是跨工具整合信息的路子；Datadog 则选择训一款低成本专用模型，在自己的产品里反复调用。

Honeycomb 的 Canvas Agent 更贴近工程师手动排查的习惯。告警触发或 SLO 消耗过快时，它会开一块共享 Canvas，执行查询、验证猜想，把证据留给工程师看。团队还能把熟悉的调试流程封装成 Canvas Skill。Honeycomb 另外提供了 MCP 服务器，外部智能体可以查询其遥测数据。不过 Honeycomb 还没发布专门的 SRE 模型，重心放在查询引擎和排查过程的记录上。

Splunk 和 New Relic 走得更远，把手伸到了修复环节。Splunk AI SRE 会对告警分组，给出带证据链的根因结论，配套的 Claude 智能体能在沙箱里生成代码改动、提交 PR。New Relic 的 SRE Agent 分析时会纳入运行手册、事件审查和以往 solutions，Autopilot 还能给出修复建议。两家都要求变更正式上线前经过人工审批。

InfoQ 报道过一项 ClickHouse 的研究，结论是通用模型能写出摘要，但要持续找到根因，离不开人工指导。Instacart 的 Blueberry 思路类似：智能体先收集上下文，根因推测交给工程师在 Slack 里评估。

Scout 的基准数据主要出自 Datadog 自己。发布之后，独立 AI 资讯账号 AGTP 指出 AlertEval 尚未经过独立测试，并要求提供审计轨迹，显示 Scout 考虑过又丢弃了哪些证据。Honeycomb 的可视化 Canvas 和 Splunk 的证据链说明，其他供应商同样看重这一点。排查故障时，简短结论固然有用，可工程师还想看到模型是怎么得出答案的。

正式发布日期 Datadog 还没给。公司打算在模拟案例里加入更多故障类型，长远目标是让 Bits 能执行修复操作。当前预览版离这一步还差得远：Scout 只管排查、给出诊断、建议恢复方案，最终变更仍由工程师拍板。

查看英文原文：

https://www.infoq.com/news/2026/10/datadog-scout-sre-model/