京东11.11数字人队长:Super Agent进群,主动干活
本文导读 每年 11.11,都是对京东技术保障体系的一次集中检验:高并发流量、复杂业务链路、多团队协同交织在一起,考验的不只是系统稳定性,更是信息聚合、风险判断与协同推进。 今年 11.11,京东零售技术保障现场出现了一位新的"队友"——数字人队长。它不是简单的问答机器人,也不是替代人的自动化指挥系统,而是面向大促保障
本文导读
高并发流量、复杂业务链路、多团队协同,每年11.11都把这些难题堆到京东技术保障体系面前。系统稳不稳只是其中一面,信息能不能聚起来、风险能不能判断准、协同能不能推得动,同样要经受检验。
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,也谈不上替代人的自动化指挥系统。准确说,它是为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协同办公工具京Me做了原生打通。大家平时用的群聊、文档、平台,直接就成了AI参与协作的场所。不用另开页面,也不用再把背景重讲一遍——风险出现在哪个群,它就在哪个群干活。
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:大促保障的真正难点在哪?过去的方式为什么不够用?
A:大促保障的难点,从来不只是“没有监控配置”或者“没有平台工具”。
真正难的是风险来了以后,团队能不能在最短时间里把几个关键问题答上来:眼下发生了什么?影响范围有多大?最近有没有变更?该找谁处理?下一步先降级、回滚,还是采取其他措施?
过去,这些信息散落在监控平台、日志系统、变更记录、压测报告、预案平台和多个群聊里。队长和专家得来回切系统、追进展、汇总结论。赶上大促高峰,信息越密集,协同成本就越高。
数字人队长要解决的正是这个:把分散的信息快速聚起来,把专家经验变成可复用的分析能力,把群聊里零碎的讨论整理成清晰的行动项,让队长更快掌握态势、更稳推进闭环。
大促保障的信息其实不少,难的是把信息更快变成行动。
Q:数字人队长到底是什么?它和普通机器人、自动化指挥系统的本质区别在哪?
A:普通机器人更多是“你问我答”:用户提问,机器人从文档库里检索再生成答案。它通常无状态、单轮、面向知识检索,而且是被动的——你不问,它就一直沉默。
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。差别可以拆成三层。
第一层,它就在你工作的现场。Claude在Slack里,数字人队长在京Me群里,直接参与群内协作,共享同一段讨论的上下文。它不是你要另外登录的系统,而是群成员列表里的一位员工——有昵称、有ID。
第二层,它有跨群上下文。这个群昨天讨论过什么,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了哪一步,它都记得。人开会是带着记忆的,Agent也必须是。
第三层,它会主动出来做事。需要的时候它能主动发言,也能调用工具,去做系统架构评审、容量风险评估和代码风险分析。
今年11.11保障期间,几类数字人按小队编组、协同作战。我们围绕备战统筹、架构评审、故障应急、工单答疑这些环节,分别设置了负责大促的队长、高可用架构师、GOC、SRE 和技术支持数字人,由此形成大促保障场景下的人机协同:关键判断与责任由人承担,数字人则承担在线、聚合、分析、协同这些事。
Q:它的核心理念是什么?为什么说这不是“多了一个机器人”,而是组织经验的工程化?
A:我们要做的是把大促统筹、高可用架构评审、风险评审、应急处置中积累的专家经验,沉淀为数字人能够调用的能力,而不是造一个会聊天的机器人。
过去,这些经验留在专家个人身上:某个业务域在什么时间点出过什么问题,哪类变更需要重点防御,哪种容量水位必须提前干预。很宝贵,但到了高压现场,很难被实时调用。
于是方案分三路推进:一是经验萃取,将专家经验转化为可调用的能力;二是能力落地,应用到 AI 容量评估、AI 巡检、AI 故障定位等具体场景;三是组织提效,让风险发现、证据聚合、上下文拉齐、闭环推动都变得更快。
从人盯系统,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
具体要萃取哪些经验?靠什么技术底座支撑?为什么单靠一个大模型搞不定?
萃取的并非静态文档,而是大促保障过程中的"判断过程"与"处置技能",涵盖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,还有容量、变更、巡检、预案等SRE技能。这些经验不会只躺在知识库里,会逐步产品化成数字人能调用的能力——RCA分析、变更防御、容量预测、巡检规则等都能沉淀为标准SRE Skills,数字人队长通过插件调用,把大模型的理解力和工程平台的确定性能力接在一起。所以它看着只是在群里说话,背后撑着的其实是一套面向技术风险场景搭起来的能力体系,而不是单一大模型。
头一项是场景理解能力。当前对话到底发生在什么场景里,它得先判断出来:备战推进、风险跟进、压测异常、线上告警,还是事后复盘。场景认准了,后面的回答和任务调度才谈得上有的放矢。
第二项是知识增强能力。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,这些都是数字人队长要理解并调用的知识。它不凭空生成答案,而是在组织知识和实时上下文的基础上做分析,避免模型产生幻觉。
第三项是环境交互能力。技术保障不是聊天,问题最后都得回到日志、监控、变更、容量、巡检、预案这些系统里去验证。
第四项是自我进化能力。每演练一次、排查一次、复盘一次,都会冒出新的经验。过去这些经验容易留在专家脑子里或者群聊记录里,现在通过"取、用、存、理、萃"的机制,能进一步沉淀成规则、知识和技能,让下一次保障少走弯路。
大模型容易幻觉,可技术保障要的是确定性。你们怎么保证给出的建议可验证、可追溯?
核心原则是:不让模型自由给结论。技术保障场景跟通用问答不一样,每一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。
组织知识和实时上下文靠知识增强接进来,不会让模型脱离实际;日志、监控、变更、容量、巡检、预案这些系统则通过工具调用成为它必须回去核对的地方。这么看,它干的是"证据聚合与推理助手"的活,并非"答案生成器"。应急现场,专家未必需要AI直接把答案递过来,更需要AI把散落各处的证据更快、更完整地摆到眼前。可验证、可追溯,比"看起来聪明"更要紧。
03 能力落地:AI 容量评估、AI 巡检、AI 故障定位
AI容量评估解决什么问题?跟传统容量评估有什么不同?它更强调提前识别容量风险。
大促之前,容量风险常常是多因素叠加出来的,业务增长、活动计划、流量峰值、资源水位、依赖容量、缓存和数据库压力都可能掺在里面,并非单点故障那么简单。过去主要靠人工经验、历史数据和静态规则来判断,AI容量评估想做的则是把这些因素动态串起来,让潜在瓶颈更早暴露。架构师和SRE的判断它并不取代,它起的作用是帮团队更快收窄范围,把有限人力压到真正高风险的位置上。
AI巡检如何把专家经验变成自动化风险发现?核心是把高可用规范、大促Checklist、历史故障模式、变更风险规则等专家经验,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执行,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,并把发现的问题转化为可跟进、可闭环的行动项。它解决的是"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。
AI故障定位怎么辅助队长?会不会直接给结论?它的核心作用是"快速聚合证据,辅助队长判断方向",而不是替代专家下结论。
线上或压测中冒出异常,数字人队长能把日志、监控、变更、代码分析等能力调动起来,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、缓存访问超时或数据库写入压力上升有没有关系。它交出的是一条可追溯的证据链,并非一句简单结论,专家拿着就能快速确认。哪条告警最先冒头、哪个时间窗口发生了变更、哪个指标拐了弯、哪个下游依赖出了异常,这些都能聚到同一个视图里。
04 组织提效:从消息流到任务流
现场那几件事,数字人队长到底干了什么?
一句话说,它主要干三件事:看清态势、辅助定位、推动闭环。先说看清态势:大促期间,多个业务域、多个活动、多个风险点要同时盯着。群聊、风险卡片、告警信息、保障流程里的关键上下文,数字人队长都能提取出来,把“现在有哪些风险、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。
再说辅助定位。异常出现后,它能联动日志、监控、变更、代码分析等能力,帮团队迅速搭起证据链,辅助判断方向。
最后是推动闭环。不少风险发现了并不算完,真正要紧的是有没有人接手、有没有形成方案、业务有没有恢复。提醒责任人、汇总进展、沉淀行动项,这些都由数字人队长来做,保障工作也从“消息流”走向“任务流”。说白了,提效就提在协同上:风险发现更快、证据聚合更快、上下文拉齐更快、闭环推动也更快。
这些事是它自己开始做的,还是被叫去做?
这正是 Super Agent 跟普通工具拉开差距的地方:轮到它开口,它自己会开口。一个群一天两百条消息,谁也盯不过来。普通机器人得等人想起它、@它、把问题讲明白,才动一下;数字人队长不是这样:这条告警跟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,它先去同步;风险卡片挂了四十分钟没人接,它直接@责任人。
可“主动”最难的一环,不在说,而在忍住不说。大促现场真正怕的是噪音多,不是信息少。一个到处刷屏的 Agent,三天就会被所有人静音。所以“主动发言”得设阈值:证据不够,不讲;没有新增信息,不重复讲;人已经在处理,不打断;同一个结论,不在五个群里各喊一遍。一个管不住嘴的 Agent,比一个不会说话的 Agent 更危险。
主动还有更硬的一面:除了说,还得动手。生成风险卡片、拉协同群、把散落的讨论整理成 Action 项并@到人、跑巡检脚本、比对两次变更的差异,这些动作它都能在授权范围内执行,而不是只丢一句“建议你去看看”。不少判断也“聊”不出来:缓存命中率有没有掉、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。
跨群协作是怎么回事?为什么要强调“沉淀”?
大促的风险,天生就是跨群的: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,谁都拼不出全貌。
Super Agent 能同时待在所有群里。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,不在于比人聪明,而在于比人“在场”得更全。A 群的活动变更同步到 B 群,C 群的告警结论带回 A 群,四个群零散的讨论在复盘时拼成一条时间线。
第二层增量是沉淀。这些经验过去留在聊天记录里,翻不到,也传不开,换个群下次又得从零开始。现在跨群的经验会被抽出来:这次为什么误判、哪个信号早就出现了、哪类变更必须重点防御,都会沉淀成规则和技能。人记住一次,Agent 记住每一次。
数字人队长在群里做什么?
任务、成员、场景不同,数字人关注的侧重点也会自动切换: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群和应急群,成了大促保障里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,价值在于把风险尽可能前置。比如热门新品预售活动上线时,下游技术团队可能存在信息感知滞后;数字人队长能自动识别活动信息并主动同步上下游,把群内讨论自动整理成 Action 项,减少“信息差”带来的保障盲区
线上应急群里,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。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,它都能帮上忙。
目前落地效果如何?有哪些可量化指标?
据团队介绍,数字人队长已全面进入京东全量应急与备战群,每周服务超过 3000+人。在它的辅助下,压测与异常定位准确率冲向 90%+,帮助队长在 10 分钟内完成关键定位。
过去完全依赖人工追问和手动汇总,如今信息聚合、定位辅助和协同推进上的效率都有了明显提升。
05 边界与未来:AI增强人,而非替代人
Q:AI会不会替代大促队长?自动化边界怎么划?
A:不会。
大促保障当中,AI不该变成新的不确定性。数字人队长的角色定位一直是“增强”与“辅助”,并非“替代”。
有一点需要讲明白:主动不等于自主决策。Agent能主动开口、主动查证、主动建卡片,可它主动做的每件事,都止步于“把信息送到人面前”和“把机械动作执行掉”。回滚键它不会自己按,业务影响它不会自己判定,一次故障的定责也不会由它自己给出。
AI的自动化边界,设计之初就卡得很死:
• 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,以及整理复盘项;
• 人承担:确认实际影响、决策是否升级、最终按下一键回滚或切流的执行按钮,还有对复盘结果定责与把关。
关键判断、风险升级、业务影响确认、恢复策略选择以及最终决策,仍归真实队长和专家。
数字人队长不替人做决定,它做的是帮人更快做出高质量决定。大促保障要速度,也要审慎。设计上始终强调三点: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,最终要落到责任人、行动项和闭环上。
Q:从工具到队友,数字人队长下一步往哪走?
A:从工具到队友,数字人队长的出现,意味着大促保障方式发生了变化。以往经验沉淀在专家个人身上,如今一部分开始沉淀进知识库、技能体系和协同流程;以往队长得在多个系统和群聊之间来回切换,现在数字人帮队长聚合信息、辅助判断、推进闭环。
再往前看还有一步:智能托管。目前在Super Agent或者近期火热的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),构建不同工种的组织智能体,叫Department Agent其实更合适。眼下整体协同模式偏向Agent协助人主动做事,下个版本的答案,是当人授权Department Agent托管部分事项后,Agent每日自动帮人处理对应事项,有不清楚、不明确的再来咨询人,并将处理过程中的新经验萃取为知识和技能,持续完善自身能力。