京东11.11数字人队长:Super Agent进群,会主动干活
京东11.11大促系列内容
本文导读
每年11.11,京东的技术保障体系都要经受一轮集中检验。高并发流量、复杂业务链路、多团队协同搅在一起,拼的不只是系统稳不稳,还有信息能不能聚起来、风险能不能判准、协同能不能推得动。
今年的京东零售技术保障现场,多了一位新“队友”——数字人队长。它既不是普通的问答机器人,也不是取代人的自动化指挥系统,而是针对大促保障场景搭出来的 AI 作战伙伴,一个典型的
Super Agent。
我们把它和京东内部的协同办公工具京 Me 做了原生打通:平时大家用的群聊、文档、平台,直接就成了 AI 参与协作的场所。不用另开页面,也不用把背景再讲一遍——风险在哪个群冒出来,它就在哪个群里干活。
围绕这位“数字人队长”,我们和京东零售技术保障团队聊了聊。

01 京东11.11为什么需要“数字人队长”?
Q:大促保障真正的难点在哪?过去那套做法为什么不够用?
A:大促保障的难点,从来不是“没配监控”或者“缺平台工具”。
难的是风险来了以后,团队能不能在最短时间里答上几个关键问题:眼下出了什么?影响面有多大?最近动过什么变更?该找谁接手?下一步是先降级、先回滚,还是别的办法?
这些信息过去散在监控平台、日志系统、变更记录、压测报告、预案平台和好几个群聊里。队长和专家得来回切系统、追进展、汇总结论。大促越是高峰,信息越密,协同的代价就越高。
数字人队长要解决的就是这个:把散落的信息迅速聚拢,把专家经验变成可以反复调用的分析能力,把群聊里零碎的讨论理成清楚的行动项,让队长更快看清态势、更稳地把事推到闭环。
大促保障的信息其实不少,难的是把信息更快变成行动。
Q:数字人队长究竟是什么?它和普通机器人、自动化指挥系统的根本区别在哪里?
A:普通机器人多半是“你问我答”:用户提问,它从文档库里检索再生成答案。通常没有状态、只做单轮、面向知识检索——而且很被动:你不问,它就一直不出声。
数字人队长不是这样。按行业里最新的说法,它是 Super Agent,不是 Chatbot。差别可以分三层看。
第一层,它就在你干活的地方。Claude 在 Slack 里,数字人队长在京 Me 群里,直接参与群内协作,和大家共享同一段讨论的上下文。它不是要你另外登录的系统,而是群成员列表里的一名员工——有昵称、有 ID。
第二层,它能跨群记住上下文。这个群昨天聊过什么,那个降级预案上周被谁提过,同一条风险在另外三个群里推进到哪一步,它都记得。人开会是带着记忆的,Agent 也得这样。
第三层,它会主动出来做事。该说话时主动发言,也能调用工具,做系统架构评审、容量风险评估和代码风险分析。
今年11.11保障中,数字人队长以小队形式协同作战。围绕备战统筹、架构评审、故障应急和工单答疑,我们分别推出大促队长、高可用架构师、GOC、SRE 和技术支持数字人,一起构成面向大促保障的人机协同能力:人做关键判断、担责任,数字人负责在线、聚合、分析和协同。
Q:它的核心理念是什么?为什么说这不是“多了一个机器人”,而是把组织经验工程化?
A:我们要做的不是一个会聊天的机器人,而是把大促统筹、高可用架构评审、风险评审和应急处置里的专家经验,沉淀成数字人能够调用的能力。
过去,这些经验都攒在专家个人身上:某个业务域在什么时间点出过什么问题,哪类变更要重点防,哪种容量水位必须提前动手。这些东西很宝贵,但在高压现场很难实时调出来用。
方案分三块推进。第一块是经验萃取,把专家肚子里的经验转成能随时调用的能力;第二块是能力落地,具体落到 AI 容量评估、AI 巡检、AI 故障定位这些场景中;第三块是组织提效,让风险发现、证据聚合、上下文拉齐、闭环推动这四件事都快起来。
从人盯着系统,到 AI 辅助聚合、分析、协同和沉淀。


02 经验萃取:让专家经验成为可调用的能力
Q:大促保障到底萃取哪些经验?底座是什么?单靠一个大模型为什么不行?
A:要萃取的并非静态文档,而是大促保障过程中的“判断过程”和“处置技能”。大促队长的高风险评审经验、高可用架构评审经验、风险识别与升级经验、应急处置经验、历史故障复盘经验,加上容量、变更、巡检、预案等 SRE 技能,都在萃取范围之内。
这些经验不会只躺在知识库里,会一步步产品化,变成数字人可调用的能力。RCA 分析、变更防御、容量预测、巡检规则等,都能沉淀为标准的 SRE Skills。数字人队长通过插件调用,把大模型的理解能力和工程平台的确定性能力接在一起。所以它表面上只是在群里说话,真正撑住它的不是单一模型能力,而是一套面向技术风险场景搭起来的能力体系。
第一是场景理解能力。它得先判断当前对话处在什么场景:备战推进、风险跟进、压测异常、线上告警,还是事后复盘。场景理解清楚了,后面的回答和任务调度才谈得上有的放矢。
第二是知识增强能力。大促规则、保障流程、业务域职责、历史故障经验、高可用规范、平台文档,这些知识数字人队长都要能理解和调用。它不是凭空生成答案,而是在组织知识和实时上下文的基础上做分析,借此压住模型的幻觉。
第三是环境交互能力。技术保障不是聊天,问题最后都要回到日志、监控、变更、容量、巡检、预案这些系统里去验证。
第四是自我进化能力。每次演练、排查、复盘都会产生新经验。过去这些经验容易留在专家脑子里或者群聊记录里,如今借助“取、用、存、理、萃”的机制,可以进一步沉淀成规则、知识和技能,让下一次保障少走弯路。

Q:大模型容易产生幻觉,技术保障却要求确定性。你们怎么保证建议可验证、可追溯?
A:核心原则只有一条:不让模型自由给结论。
技术保障和通用问答不一样,每个判断都得能回到数据源、时间点和工程证据上。数字人队长辅助定位时,给出的不是一句“可能是某变更导致”,而是尽量形成可追溯的证据链:哪条告警、哪个时间窗口、哪次变更、哪段异常堆栈、哪个指标拐点、哪个下游依赖。
之所以不会跑偏到组织知识之外,靠的是知识增强,实时上下文也一并纳入;而工具调用则逼着它回到日志、监控、变更、容量、巡检、预案这些系统里去核实。这么看,它干的是“把证据聚起来再推理”的活,并非“直接吐答案”。到了应急现场,专家真正缺的往往不是 AI 给个结论,而是让它把散落各处的证据更快、更全地摆到眼前。能不能验证、能不能追溯,比“看着聪明”要紧得多。
03 能力落地:AI 容量评估、AI 巡检、AI 故障定位
Q:AI 容量评估解决什么问题?和传统容量评估相比有什么不同?
A:AI 容量评估更强调提前识别容量风险。
大促之前,容量风险往往不是单点问题,而是业务增长、活动计划、流量峰值、资源水位、依赖容量、缓存和数据库压力等多因素叠加出来的结果。传统方式更多靠人工经验、历史数据和静态规则,AI 容量评估则试着把这些因素动态关联起来,更早发现潜在瓶颈。
它不替代架构师和 SRE 的判断,而是帮团队更快缩小关注范围,把有限的人力投到真正高风险的地方。

Q:AI 巡检怎么把专家经验变成自动化的风险发现?
A:AI 巡检的核心,是把高可用规范、大促 Checklist、历史故障模式、变更风险规则这些专家经验,转化成可执行、可复用的巡检能力。
过去巡检更多靠人工按清单走,或者依赖固定阈值告警。AI 巡检能结合实时上下文,对配置、容量、依赖、变更、预案等识别潜在风险,并把发现的问题转成可跟进、可闭环的行动项。
它要解决的是“专家经验难以规模化复用”的问题。让更多团队在大促前,就能用接近专家视角的方式发现风险。

Q:AI 故障定位如何辅助队长?它会不会直接给结论?
A:AI 故障定位的核心作用是“快速聚合证据,辅助队长判断方向”,而不是替专家下结论。
线上出异常,或者压测时冒出问题,数字人队长能把日志、监控、变更、代码分析这些能力串起来,帮团队尽快弄清:异常跟最近的配置中心变更、应用异常堆栈、缓存访问超时、数据库写入压力上升有没有关系。
它给出的不是简单结论,而是一条可追溯的证据链,方便专家快速确认。哪条告警先出现、哪个时间窗口发生变更、哪个指标出现拐点、哪个下游依赖异常,都能聚合到同一个视图里。

04 组织提效:从消息流到任务流
Q:现场保障中,数字人队长具体承担哪些工作?
A:概括来说,它在现场干三件事:看清态势、辅助定位、推动闭环。
看清态势排在第一位。大促期间,队长要盯的业务域、活动和风险点都不止一个。数字人队长会从群聊、风险卡片、告警信息和保障流程里提取关键上下文,把“当前有哪些风险、谁在处理、进展到哪一步、还缺什么动作”梳理成一张更清楚的作战视图。
辅助定位是第二件事。异常出现后,它能联动日志、监控、变更、代码分析等能力,帮团队尽快把证据链搭起来,为判断方向提供支撑。
第三件事是推动闭环。风险被发现并不等于事情结束,关键在于有没有人接手、有没有形成方案、业务有没有恢复。数字人队长能提醒责任人、汇总进展、沉淀行动项,让保障工作从“消息流”转向“任务流”。
说到底,提升的是协同效率:发现风险更快、聚合证据更快、拉齐上下文更快、推动闭环也更快。

Q:这些动作是它自己发起,还是等人叫它才做?
A:这正是 Super Agent 和普通工具最实际的分野:该开口的时候,它会自己开口。
一个群一天两百条消息,谁也看不过来。普通机器人要等人想起它、@它、把问题描述清楚,才动一下。数字人队长不是这样:这条告警和上周那次变更的时间点对得上,它先讲;这个活动下游三个团队还不知情,它先同步;风险卡片挂了四十分钟没人接,它直接 @ 责任人。
不过,“主动”最难的地方不在于说,而在于忍住不说。
大促现场最怕的并非信息少,而是噪音多。一个到处刷屏的 Agent,三天就会被所有人静音。所以“主动发言”是有阈值的:证据不够不说,没有新增信息不重复说,人已经在处理时不打断,同一个结论不在五个群里各喊一遍。一个不会闭嘴的 Agent,比一个不会说话的 Agent 更危险。
主动还有更硬的一层:不光说,还得干。生成风险卡片、拉协同群、把散落讨论整理成 Action 项并 @ 到人、跑巡检脚本、对比两次变更的差异——这些动作都能由它在授权范围内执行,而不是只丢一句“建议你去看看”。很多判断也聊不出来:缓存命中率掉没掉、接口 P99 拐点在哪个分钟、这次变更改的是哪几行,它会自己写一段查询代码去查、去核实。

Q:跨群协作指什么?为什么强调“沉淀”?
A:大促的风险本来就跨群:一个活动在 A 群定方案,B 群在压测,C 群在处置告警,D 群在做复盘——同一条线索被切成四段,单看谁都拼不出全貌。
Super Agent 可以同时待在所有群里。做 Super Agent 时我们有个很朴素的判断:数字人队长的第一层增量,不是比人聪明,而是比人“在场”得更全——把 A 群的活动变更同步到 B 群,把 C 群的告警结论带回 A 群,复盘时再把四个群零散的讨论拼成一条时间线。
第二层增量来自沉淀。以往这些经验都散落在聊天记录里,既翻不出来,也传不出去,换个群就得从头再来。如今跨群的经验会被提炼出来:这回为何判断失误、哪个信号其实早有苗头、哪类变更需要重点防守,都会沉淀为规则和技能。人只需记住一次,Agent 则每次都记得。
Q:数字人队长在群里都做什么?
A:它会根据群的任务、成员和场景自动切换关注重点:备战群里提前发现风险,应急群里快速协同处置。目前,数字人已经进入多个备战和应急群,成为大促保障中的一类新型协同角色。
队长协同群里,队长数字人盯的是活动筹备、风险识别、上下游同步、高可用评审和行动项沉淀,图的是尽量把风险往前挪。拿热门新品预售活动上线来说,下游技术团队可能对活动信息感知滞后。数字人队长可以自动认出活动信息,主动同步给上下游,还会把群里的讨论自动整理成 Action 项,让“信息差”造成的保障盲区少一些。
在线上应急群中,GOC 数字人更关注告警响应、故障协同、影响面分析、变更关联、进展追踪和复盘辅助,价值在于异常发生后更快聚合证据、明确责任人、推进恢复。它能帮助团队从告警、变更、日志、监控中快速建立关联,缩短从“发现异常”到“确认方向”的时间。
Q:目前落地效果如何?有哪些可量化指标?
A:团队介绍称,数字人队长已经全面进驻京东全量应急与备战群,每周服务超过 3000+人。有了它辅助,压测与异常定位准确率提升到 90%+,帮助队长在 10 分钟内完成关键定位。
相比过去完全依赖人工追问和手动汇总的方式,团队在信息聚合、定位辅助和协同推进上的效率有了明显提升。
05 边界与未来:AI增强人,而不是替代人
AI会不会取代大促队长?自动化的边界又该怎么划?
A:不会。
大促保障这件事上,AI不该变成新的不确定因素。数字人队长的角色从头到尾都是“增强”和“辅助”,并非“替代”。
主动不等于自主决策,这点得讲清楚。Agent能主动开口、主动查证、主动建卡片,可它主动做的每件事,都停在“把信息送到人面前”和“把机械动作执行掉”这条线以内。回滚键它不会自己按,业务影响它不会自己判定,一次故障该定谁的责,它也不会自己下结论。
AI的自动化边界,设计之初就划得很死:
• AI承担:7×24 小时在线感知、辅助识别风险、聚合跨平台证据、生成处置建议、提醒协同人员、整理复盘项;
• 人承担:确认实际影响、决定是否升级、最终按下一键回滚或切流的执行按钮,以及给复盘结果定责把关。
关键判断、风险升级、业务影响确认、恢复策略选择与最终决策,依旧归真实队长和专家。
数字人队长不是替人拍板,是帮人更快拍出高质量的板。大促保障要速度,也要审慎。设计上一直盯着三点:可验证,结论得有证据;可追溯,证据要能回到数据源和时间线;可协同,最后得落到责任人、行动项和闭环上。
从工具变成队友,数字人队长下一步往哪走?
答:数字人队长的出现,说明大促保障方式正在起变化。以往经验攒在专家个人手里,如今有一部分开始沉到知识库、技能体系和协同流程里;以往队长得在多个系统和群聊之间来回切,现在数字人帮着聚合信息、辅助判断、推进闭环。
再往前还有一步:智能托管。眼下我们在Super Agent,也就是近期火热的Personal Agent的基础上,面向组织提效,按工种划分,统一构建知识、技能和工具(以及可控进化),搭建不同工种的组织智能体,叫Department Agent其实更贴切。当前协同模式偏向Agent协助人主动做事,下个版本的答案,我们认为是人授权Department Agent托管部分事项后,Agent每天自动帮人处理对应事项,遇到不清楚、不明确的再来问人,并把处理过程中的新经验萃取成知识和技能,持续完善自身能力。
