近日，第二十六届 GOPS 全球运维大会暨研运数智化技术峰会盛大举行。博睿数据产品总监贺安辉在可观测性专场发表精彩演讲，凭借深厚的技术底蕴和独到的行业见解，荣获大会 "金牌讲师" 称号。
本次演讲以 “AI + 可观测加速智能运维转型升级” 为题，围绕 AI 能力分层演进、智能体技术爆发、AI + 可观测性等前沿议题，为行业勾勒出智能运维转型升级的清晰路径。演讲不仅精准切中当前运维的核心痛点，更前瞻性地展示了如何依托AI智能体驱动大模型深度理解复杂运维场景，推动运维模式从被动响应走向主动洞察，从人工决策迈向智能协作。现场座无虚席，演讲内容引发与会百余位行业专家的热烈探讨与深度共鸣。
下为博睿数据产品总监贺安辉“Al+ 可观测加速智能运维转型升级”演讲实录精华整理。
Bonree
一、运维难题与 “AI + 可观测” 破局
2024年诺贝尔化学奖授予了David Baker、Demis Hassabis和John M. Jumper，将人工智能（AI）与计算化学相结合，一年内预测出 2 亿个蛋白质结构，而传统方法需几十年才能预测几万个，这体现了 AI 在各领域的创新超乎想象。如今，AI 与娱乐、医疗、工业、交通等行业的结合如火如荼，但在可观测或运维领域相对小众，仍有许多难题待解决。
本次演讲我将围绕核心挑战与行业趋势、解决方案全景图、应用场景落地效果三方面展开。
运维领域存在三大挑战。
其一，运维数据体量呈指数级增长，云原生技术引入使私有云、混合云容器数量大幅增加，但传统运营手段受历史限制，难以观测老旧代码，且无法轻易放弃。
其二，工具繁多，包括新旧、开源、商业工具及脚本、封闭 ERP 系统等，给运维带来难题。
其三，尽管监控覆盖看似完善，但问题发现率、根因定位时长、解决问题效率并未同步提升，受多因素制约。
这三大挑战可细分为五大难点。
一是采集困难，数据有浪费，采集准确性存疑，缺乏规范化定义，如指标定义不完整、数据间缺失覆盖等。
二是数据治理难，不同团队对同一业务系统采用不同手段、术语、标签，标识不一致，元数据随时间变化，难以捕捉实时关系。
三是生成拓扑时难以精准反映安全状况。
四是数据融合难，日志、指标、调用链、事件、工单等不同类型数据协同发力困难。
五是 AI 落地难，传统方法需配备算法团队，花大量时间训练，且模型易失效，应用场景搭建也面临团队诉求多难以满足的问题。
Bonree
二、AI 能力分层与智能体
在运维领域的聚焦探索
AI+可观测性行业趋势，先从 AI 能力分层说起。
其实 AI 能力是分层的，市场上不同玩家所处的层次各有差异：在基础设施层，包括云计算厂商、数据中心建设方，以及英伟达这样的算力巨头，他们提供底层的算力支撑能力。当前AI市场的发展可以分为三个层面来看：
1. 基础设施层（如芯片、云计算等）
目前这一层主要由少数巨头主导。国内比如阿里云、华为云，它们能提供自研芯片和战略支持；全球范围来看，像英伟达、英特尔这样的公司也容易形成垄断。
2. 平台层（大模型研发）
虽然现在大模型越来越多，但真正有竞争力的并不多。国内比如DeepSeek、豆包，国外像谷歌的Gemini等，仍然是少数几家占据主导地位。
3. 应用层（具体场景落地）
这一层是最难被垄断的，因为每个垂直领域都会衍生出无数不同的解决方案。比如智能体方向、人形机器人、智能驾驶等，还有很多问题需要探索。因此，应用层才是未来AI真正发展的巨大空间和关键着力点。
在运维和可观测领域，我们主要聚焦在应用层，而AI智能体正是一个关键的落脚点。
最近半年，"智能体"这个概念逐渐被行业接受，但运维领域的从业者仍然会问：智能体到底是什么？它真的能提升效率吗？
在我们看来，智能体是一种创新技术模式，其改变运维逻辑的关键在于：具备认知推理、自主决策执行及强目标导向能力，可高效理解运维环境并自主完成工作。
关于智能体与传统工具（如变更防御、故障发现系统）的协作，核心在于通讯协议。当前协议体系尚处群雄逐鹿阶段，我们正基于 MCP 协议开展探索 —— 其采用独立约定的开放式协议，只需遵循统一规范即可实现跨系统通信，且协议恒定可保障后续升级兼容性，有效打通运维体系全量信号交互。
单个智能体的能力是有限的。比如问它"当前服务健康状况是好是坏"这种简单问题，它能回答；但遇到复杂问题，这种方式就不够用了。
目前智能体发展大致分为三个阶段：
第一阶段是明确的自动化工作人员，不需要AI介入。比如给它一段固定脚本，它就能稳定执行，日复一年准确率很高。但这种方式非常固化——如果升级版本改了参数，整个工作流就必须调整。
第二阶段是AI增强型智能体。这时我们可以给它简单输入，它能结合预训练知识和IT技术来获取信息。不过这个阶段仍是一对一的简单交互模式。
现在博睿数据正在推进第三阶段，通过工作流整合人的编排能力和智能体的自主决策能力，使其能够处理复杂任务。目前实践表明，这种模式确实能有效解决更复杂的问题。
Bonree
三、博睿数据AI 能力详解与落地场景拓展
这是一张博睿数据结合对行业痛点的理解，以及对于行业趋势的认知的解决方案的架构图。
从架构上看，这是一个典型的分层设计。最底层是数据底座，负责接入各类数据源；中间层是PaaS平台能力，包含外部连接、数据治理、智能化的数据抽象，以及权限标签等应用能力封装；最上层则可以衍生出无限的应用场景。
目前市场上已经能看到不少创新实践。比如国外一些竞品实现了这样的功能：当仪表盘曲线出现监测数据时，系统能自动识别背后的数据维度和异常情况，这些都是已经落地的应用案例。
今天我们主要聚焦于智能能力板块，探讨 AI 与可观测体系的结合，展开来讲便是这份 AI 能力详解大图。
首先看最下层，是可观测的全域数据模型 。它能够对企业内各类可观信号，诸如日志、指标、调用链、事件，以及对象关系等进行标准化处理，构建广泛连接。为何强调其关键地位？在 AI 领域有 “垃圾进，垃圾出” 的说法 ，若底层数据杂乱无章，AI 应用效果必然欠佳。例如企业中 IP 地址不规范，主机名存在多种表述，AI 将难以准确识别。许多客户直接询问能否在不更换平台的情况下嫁接 AI 能力，实际上，若不先审视底层平台数据是否规范就强行嫁接，效果必定不理想。开展运维工作时，切勿忽视底层数据平台，若不在此投入精力，仅聚焦上层应用，如同表面开花，会产生反噬作用，底层建设不完善，上层应用也难以良好运行。
构建好全域数据模型后，向上还需依托 one service 层与统一查询语言 。不少企业在这一层面的建设也不完善，查询日志、指标时采用的语法各异，导致返回数据依然杂乱。故而，博睿搭建统一查询语言，与全域数据模型协同发力。借助统一语法查询，从数据源头进行规范，流入 AI 引擎的将是高质量语料，应用效果会更优，这两层的作用至关重要。
继续向上，便到了 AI 发挥关键作用的环节。在国内，人们习惯为硬件付费，开展 AI 落地实践时，往往先考虑配置硬件，然而配置完成只是基础，核心在于如何运用、如何挖掘落地场景。众多客户完成硬件配置后，却不知如何推进落地，以智能问答为例，多年前便已出现，但尚未形成大规模落地场景。
从博睿数据的实践来看，需拓展落地场景，在图右侧构建诸多与 MCP 相关的能力，实现大模型与运维的高效互通。这一过程的关键桥梁便是 MCP，其提供的能力分为不同层级：基础类用于查询指标、日志、事件等，以了解主机、容器数量及指标情况；中级类包含告警屏蔽、收敛通知等动作，例如智能体发现持续一周的重复告警，可调用 MCP 能力执行屏蔽操作，期间涉及智能体间的协作；高级类涵盖横向拓扑、链路分析、自动标签化等功能，助力大模型发挥价值。
再往上延伸便是应用场景，当前重点发力于智能问答、根因分析智能体，后续将逐步推进建设。这些智能体覆盖业务领域各环节，如应急值守、自愈恢复、决策指挥等，若能通过这些智能体闭环完成任务，便可达成运营人员 “无人值守式运维” 的终极目标，即工作人员只需在工作时专注自身事务，待出现问题时由智能体告知，无需时刻关注运维流程 。
Bonree
四、落地效果：根因分析与智能运维成果
接下来看落地效果，第一个场景是根因分析的实验。在根因分析的实践中，过往已有多年积累 ， 比如依靠实践经验建立台账，各团队协作组建应急作战室等。但这里存在一个核心问题：信息过载。
在座各位应该都参与过一线应急处置，那种场景下争分夺秒，涌入的信息远超人脑处理能力。网络团队说 “某个环节可能有问题，但不确定”，应用团队称 “昨晚做了版本变更，但应该不影响今天故障”，另一个团队又说 “容器运行正常”…… 信息里既有异常、也有正常，掺杂大量干扰信号。靠人工定位，必然陷入信息过载的困境。那该如何解决？
博睿数据规划了三个阶段：
第一阶段，借助大模型开展功能问答式处理，辅助渐进式推导问题成因；
第二阶段，结合工作流编排或自主决策能力，实现半自动定位；
第三阶段，目标是全闭环的智能处置，但这目前还是理想状态——短期内很难落地。
前面提过，底层数据的规范性对效果影响极大，而没有企业能下定决心、耗时耗力完成全量数据治理，过程中必然存在数据局部规范、局部仍在整改的情况，这就让第三阶段的实现充满挑战。
第一阶段相对容易看到效果，博睿数据打造了基于 IT 的智能问答智能体。只需向它输入大量知识库内容，它就能结合上下文，精准给出答案。比如询问 “最近某服务的某指标异常，原因是什么？” 它可实时排查；再追问 “数据库执行计划是什么样的？” 也能展开系列分析 —— 这是典型的 点对点、一对一的明确问答模式。
接下来推进第二阶段探索，目前聚焦两大方向：
首先是快而准的机制。大家对 “流程” 并不陌生，它类似决策树，但又不完全是 —— 因为流程中嵌入了 大模型推理节点，能自主判断下一步动作。若把所有动作（比如 API 调用、命令执行）预先编排进流程，触发根因分析后，3~5 秒就能快速执行排查逻辑（比如点击 “触发根因分析” 按钮，流程瞬间启动）。这种方式沿着固定专家经验推进，执行明确、速度快，落地效果不错。
其次是自主决策型，灵活性更强，稍慢但更智能，这类模式无需预先编排节点，只需输入简单指令，比如 刚出现错误异常，该查什么？智能体就能自主决策，大量调用 MCP 能力，规划 第一轮查什么、第二轮查什么，全程自主推进。
我们在内部做过验证：用混沌工程注入接口性能异常（通过类似 K6的工具模拟），仅给智能体简单输入，如“服务响应缓慢，属错误类异常”，第一轮排查后，发现交易链中 “PS 类指标有三层异常”，怀疑是测试环境故障注入，但为了严谨，又自我校验：查上下游日志（均正常）、查数据库执行耗时（稳定在 50 毫秒左右），最终判定 “混沌工程注入的可能性最大”。
整个过程，智能体像人一样 反复自我校验（比如换角度提问、交叉验证），虽然耗时较长，但无需人工编排流程。这种模式 利弊分明：慢，但灵活；快而准的模式则相反 —— 执行快但依赖预设经验。
目前博睿数据整在对比两种模式的优劣，而智能体排查结束后，还会输出趋势图、分布图等解释性图表，辅助我们校验结果是否准确。
Bonree
五、交互提效与主动防御体系构建
传统运维工具需要大量手工配置——配告警规则、搭仪表盘、处理日常重复工作。以前或许能用脚本解决，但写脚本本身就有调试成本。现在通过大模型能加速这个过程：我们把可观测的语法体系（如BQL/PromQL）预训练给模型后，直接用自然语言指挥它：比如 “帮我配一个仪表盘”“配个告警规则”“生成一份运维报告”，它就会自动调用API或执行BQL查询完成任务。
这种模式下，为每一步实践都带来可见的提效，模型生成的配置规则完全无需人工干预，真正为运维人员减负。
还有一个重点是解决被动运维的缺失。传统运维中，往往在故障产生显著影响后才察觉 —— 例如上周进行的变更，因选择在业务低峰期（如周末夜间）实施，当时流量未达峰值而未暴露问题，但一旦进入业务高峰期，故障便会引发较大影响，形成被动应对的局面。
因此，我们尝试借助大模型构建主动防御体系，通过联动机制提前识别风险，让运维人员能预先采取规避措施。具体而言，可生成异常风险报告，通过趋势分析定位潜在问题并推导初步成因；同时自动生成报告，为风险研判与响应提供数据支撑，助力运维从 “事后处置” 转向 “事前防控”。
Bonree
六、私有大模型服务的优化探索
最后一个重点是私有大模型服务的短板。正如前面提到的，企业拥抱大模型时，第一步往往是自建大模型服务，但过程中常遇棘手问题：比如用户提问后，模型响应延时极高，输出时 “一个字一个字卡顿，动了一半就停”，甚至问题直接被截断 ，这种体验非常糟糕。
如何定位背后原因？我们希望通过大模型可观测性体系，为私有大模型服务建立更深入的洞察。具体从两个维度切入：
宏观观测：关注服务整体运行状态，例如吞吐量、响应时间、输出结果数量、耗时异常情况及趋势变化等，通过大屏可视化形成全局认知。若宏观指标无异常，说明服务整体运行稳定。
微观追踪：针对具体用户投诉，如 “领导早上提问未响应” 这类个体使用问题，通过 端到端调用链监控，还原每一次交互的全流程细节 —— 包括大模型内部各环节的执行耗时、报错位置等。即便无法定位到具体代码异常，也能通过调用链详情，直观掌握交互过程中的卡点，快速启动应急处理。
通过宏观与微观结合的观测体系，我们既能把控大模型服务的整体健康度，也能精准响应个体使用中的异常，为私有大模型的稳定运行提供支撑。
Bonree
“AI + 可观测”加速智能运维升级转型
以上是我从四个方面介绍了博睿数据在AI+可观测加速智能运维升级转型的近期探索，总结来看，通过Bonree ONE，我们利用自动化配置仪表盘与告警提升运维效率；借助工作流编排与自主决策分析 缩短故障定位时间；通过主动风险预判机制 提前识别潜在隐患。这些实践证明，AI 在可观测与智能运维领域的应用虽处于起步阶段，但已展现出显著成效。
简而言之，Bonree ONE 正让大模型深度融入运维场景，传统的运维工作模式，能在新的工作模式下通过智能体高效运转，真正实现 “大模型更懂运维” 的价值闭环。
启远网配提示：文章来自网络，不代表本站观点。
