大模型时代的运维新范式：面向大数据产品的诊断Agent 实战.docxVIP

大模型时代的运维新范式：面向大数据产品的诊断Agent实战

面向大数据产品的异常发现、定界定位、根因分析与知识自进化实践。

背景与挑战

运维之痛与范式转移

核心架构与技术

全链路智能定位与自进化闭环

总结与展望

模态拓展与自主修复

背景与挑战

运维之痛与范式转移

大数据云产品运维背景

数据噪音与孤岛Metrics/

数据噪音与孤岛

Metrics/Logs/Events/Changes等

数据来源割裂

告警风暴导致“看得见但看不懂”

痛点：SRE在多系统间反复跳转，效

率低。

处置效率瓶颈

依赖人工经验串联信号

缺乏标准化的诊断路径

痛点：难以突破分钟级处置瓶颈

复杂性爆炸

管控面、计算面、调度面跨域耦合

异常表现为多信号耦合、症状滞后

痛点：传统规则难以覆盖长尾故障。

核心矛盾：产品定界(Who)与根因定位(Why)是最耗时环节

核心结论“系统复杂度变高，传统运维效率难以处置。

核心结论

“系统复杂度变高，传统运维效率难以处置。”

“数据已经足够丰富，但诊断能力并没有随之自动增长。”

需要一种新范式：让Agent接管异常现场的收口、分析、推理

与知识沉淀

问题背景

?产品规模持续扩大，异常链路更长、更复杂

?异常不再局限于单点故障，而是多信号耦合、多域传播

?告警、指标、日志、事件、变更、工单分散在不同系