不是更聪明，是更便宜：Datadog Scout 1.0 把“查事故”的账算到了哪一步
Datadog 发布 SRE 专用模型 Scout 1.0：能调查的告警数 = 预算 ÷ 单次成本，专用模型拼的是分母。
凌晨三点，告警响了。
是先查，还是先睡？
这个问题，每个值过夜班的工程师心里都有答案。答案通常不是“查”，而是“看情况”。
为什么？
因为查一次的成本太高了。
01
先说一件事。
2026 年 10 月 15 日，Datadog 在官方博客发布了一篇文章，标题叫 Introducing Scout 1.0。
Scout 是什么？
据 Datadog 官方博客，Scout 是它第一个专门为“调查生产问题”训练的 AI 模型，用来驱动 Bits Investigation，也就是 Datadog 的 AI SRE。
SRE，也就是站点可靠性工程，说白了，就是保证线上系统别出事、出了事赶紧查清楚的那群人。
很多人看到这条消息，第一反应是：又一个模型？
不是。
这一次的重点，不在“更聪明”，而在“更便宜”。
Datadog 官方博客给出的目标写得很直白：把推理成本压到足够低，让调查可以更早介入，覆盖面能扩大一个数量级。
注意这句话的主语。
不是“让 AI 查得比人好”，而是“让 AI 查得起”。
02
要理解这件事，我们必须先理解一个问题：
什么叫“查事故”？
无外乎三步。
第一步，形成假设：是数据库慢了，还是某次发布出了问题？
第二步，查遥测：翻日志、看指标、看调用链。
第三步，判断证据是否支持结论。
据 Datadog 官方博客，Bits 的定位，就是对每一条告警做“第一响应”，把这三步先跑一遍。
那么，为什么以前做不到“每一条”？
因为这三步，每一步都要模型读大量数据、做大量推理。用最强的通用模型来跑，单次成本不低。
告警又多。
于是，企业只能挑着查。高优先级的查，低优先级的等等再说。
这就有了一个极简的公式：
能调查的告警数 = 调查预算 ÷ 单次调查成本
预算通常是固定的。
想多查，只有一个办法：把分母做小。
Scout 做的，就是这件事。
03
那么，分母到底做小了多少？
先强调一句：下面所有数字，都是 Datadog 官方博客自己给出的，基于它自己的内部基准，不是第三方评测。
Datadog 建了一个内部基准，叫 AlertEval，由人类专家标注。
这里有一个很容易误读的地方。AlertEval 的分数是 0 到 100，衡量的是模型的调查结论和专家解释的一致程度，不是“解决了百分之多少的事故”。
在这个基准上，据 Datadog 官方博客：
- Scout 1.0 的 medium 档，调查质量和 GPT-6.1 Sol high、Claude Opus 5.5 high 可比，估计推理成本低约 3 到 8 倍；
- 表现与 Fable medium 和 Astra medium 相当，成本分别低约 12 倍和 19 倍（博客图注中全称为 Claude Fable 5.1 和 GPT-6 Astra）；
- 最高努力档 xhigh，可以匹敌 Fable xhigh，成本约低 4 倍。
Datadog 还用了一个第三方基准 SREGym。据 Datadog 官方博客的表述，Scout 1.0 medium 明显优于它的底座模型 GLM-5.3-Flash，成本相对 GLM-5.3 节省超过 4 倍；high 档相对 Astra、Fable 一级的模型，约有 10 倍成本优势。
基准是第三方的，但这些结论仍然是 Datadog 自己跑、自己报的。
把这些数字放回刚才的公式里，会发生什么？
如果单次调查成本降到原来的三分之一到八分之一，同样的预算，理论上能多查 3 到 8 倍的告警（这是我按官方倍数做的推算，不是 Datadog 给出的数字，实际还取决于每次调查的长度和告警结构）。
这就是 Datadog 说的“早一个数量级、更早介入”背后的账。
04
接下来的问题是：
便宜，是怎么来的？
据 Datadog 官方博客，Scout 的底座是 GLM-5.3 Flash，Datadog 在上面用自研的分布式强化学习做了后训练。训练用的仿真环境，基于真实的历史事故和遥测数据，而且不含客户数据。
这一句，我认为是整件事的底层逻辑。
通用大模型像一个什么都懂的全科专家。你问它写诗、写代码、查事故，它都能答。
但你为它的“什么都懂”付了钱。
查事故只用得到它一小部分能力，账单却是按全科专家的价格开的。
Scout 的思路是反过来的：找一个相对小、相对快的底座，然后只在“查事故”这一件事上，把它反复训练到够用。
用一个公式来表达，就是：
专用模型的性价比 = 场景内的质量 ÷ 推理成本
通用模型拼的是分子，尽量什么都做好。
专用模型拼的是分母，在一个场景里，质量差不多，成本低很多。
这不是谁比谁更先进。
而是两种完全不同的生意。
05
再往下想一层。
查得起，会改变什么？
我们来看一条传导链（这是我的推演，不是 Datadog 的表述）：
单次调查变便宜 → 更多告警能先跑一轮 AI 调查 → 工程师拿到的不再是一条告警，而是一份带证据的初步结论 → 人的时间集中到真正需要判断的事故上
据 Datadog 官方博客，它的设想也是类似的：Scout 降本之后，Bits 可以覆盖更多告警，对高影响的事件，再用 xhigh 档做更深的调查。
便宜的档位负责“广”，贵的档位负责“深”。
这和医院的分诊台很像（这是比喻）。不是每个病人都要专家会诊，但每个病人都应该被看一眼。
以前做不到“每个都看一眼”，不是因为不想，而是看不起。
博客里还有一张图（Figure 2），展示了 Bits Investigation 在一起 Postgres 事故里给出的诊断和建议的恢复动作。这是官方截图，可以直观看到它交付的是什么。
06
讲到这里，我们必须冷静一下。
有三件事，读这篇博客的时候一定要分清。
第一，它还没有正式上线。
据 Datadog 官方博客，目前是 Datadog 自己的工程团队和少量客户在 closed preview 里使用，同时开放了 preview 报名。博客里没有写正式发布（GA）的时间。
第二，“自动修复”是计划，不是现实。
Datadog 在路线图里说，计划扩大故障仿真的类型，未来从“调查”延伸到“autonomous remediate”，也就是自主修复。注意，这是“计划”。今天的 Scout，做的是调查，不是动手改生产环境。
第三，所有的倍数，都是厂商自报。
3 到 8 倍、12 倍、19 倍、4 倍、10 倍，全部来自 Datadog 官方博客和它的图注。AlertEval 是它的内部基准。SREGym 虽然是第三方基准，结果依然是 Datadog 自己报告的。在独立复现出来之前，这些数字应该被当作“厂商的说法”，而不是“行业的结论”。
07
那么，对于正在考虑用 AI 做运维的团队，这件事有什么启发？
我想到三个问题，可以问问自己。
第一个问题：你们现在每天有多少告警，真正被认真查过？
如果答案是“少数”，那瓶颈可能不在模型够不够聪明，而在单次调查够不够便宜。
第二个问题：你们的场景，需要全科专家，还是专科医生？
如果 80% 的工作都集中在一个领域，为全科能力买单，就是在为用不到的东西付钱。
第三个问题：贵的档位，留给谁？
分档的意义，在于把有限的预算，按事故的影响大小重新分配。先想清楚哪些事件值得“深查”，再谈用什么模型。
结语
很多人谈 AI，喜欢谈它有多聪明。
但在真实的企业里，决定一项技术能不能铺开的，常常不是它能做到多好，而是它能不能便宜到“每次都用”。
通用模型解决的是“能不能”，专用模型解决的是“用不用得起”。
用不起的能力，就和没有一样。
来源：Datadog 官方博客 Introducing Scout 1.0。AlertEval 为 Datadog 内部基准，分数是与专家解释的一致性（0–100），非解决率；成本倍数为 Datadog 估算自报；SREGym 结果由 Datadog 报告；目前为 closed preview，自主修复仅为计划。