智能运维（AIOps）

智能运维把机器学习与大模型用在运维流程里：汇总海量指标、日志与调用链数据，自动发现异常、聚合同源告警、定位可疑变更，并给出处置建议，部分场景可以直接执行回滚或扩容。它要解决的核心痛点很具体——告警太多、噪音太大，值班人员被淹没在信息里，真正重要的那条反而被淹掉。

典型能力

• 异常检测：对指标做基线建模，识别偏离正常形态的变化，而不只依赖固定阈值。
• 告警收敛：把同一次故障引发的大量告警合并为一条事件，并按影响面排序。
• 根因定位：结合变更记录、依赖拓扑与时间线，缩小可疑范围并给出排查顺序。
• 日志问答：用自然语言查询日志与历史工单，降低新人的排查门槛。
• 容量与成本分析：识别长期闲置或持续超配的资源，为扩容与降本提供依据。

为什么数据质量决定上限

异常检测依赖稳定的基线与统一的指标口径。如果同一指标在不同系统里定义不一致，或者日志格式混乱、关键字段缺失，再复杂的模型也无从判断什么是「异常」。因此这类项目通常要先做数据治理：统一采集与命名规范、补齐标签与拓扑信息、明确哪些指标可以用于判断。这一步的投入往往超过模型本身，也决定了后续能力能否持续迭代。

落地要点

• 从只读建议起步：先做检测与推荐，由人确认后再执行，验证准确率之后逐步放开权限。
• 明确自动化边界：回滚、扩容等操作要设定审批与影响范围，避免模型误判放大故障。
• 保留完整审计：每次自动决策都要记录依据、执行内容与结果，便于复盘与追责。
• 与现有流程结合：接入值班、工单与变更系统，否则建议无法转化为实际动作。

怎么衡量效果

• 误报率：噪音没有下降，值班负担就不会真正减轻，这是最直接的检验指标。
• 平均定位时间：从故障发生到找到原因的时间是否缩短，反映根因能力的实际价值。
• 人工介入比例：自动处置占比上升要以准确率为前提，而不是单纯追求覆盖率。
• 复盘质量：能否沉淀出可复用的排查路径，决定这套系统是否越用越准。
• 新增风险：上线后是否引入新的误操作路径，也是必须持续观察的一项。

它的收益通常不是「完全替代值班」，而是把重复的甄别工作压缩掉，让人专注于判断与决策。要判断这套系统是否真的在起作用，还要看它有没有减少跨团队扯皮——很多故障的定位时间其实耗在找人确认上，而不是耗在分析数据上。