专题演讲嘉宾：向阳

俗话说，人工智能，有多少人工（数据标注质量），就有多少智能（模型推理效果）。构建高质量的数据源，是可观测性建设的首要基础；提升海量数据的分析效率，是可观测性建设体现业务价值的重要前提。

eBPF 作为一项零侵扰的数据采集技术，能够快速构建全景、全栈的高质量可观测性信号源。LLM 作为一个掌握通用知识和自然语言对话技能的智者，能够大幅提升多知识领域数据的关联分析效率。

本次分享将会介绍 DeepFlow 使用 eBPF 和 LLM 作为基础设施构建可观测性智能体的实践经验，并介绍 DeepFlow 用户在变更决策（Dev）、安全洞察（Sec）以及工单定界（Ops）等典型场景下的实践案例和探索经验。

演讲提纲：

1. 使用 eBPF 构建高质量的可观测性信号源

• 如何利用 eBPF 构建业务全景、应用全栈的可观测性数据源
• 使用 eBPF 采集指标、追踪、日志、事件、剖析数据时的独特优势
• 自动为可观测性信号源注入多维语义标签，消除数据孤岛
• 以 eBPF 为基础设施，集成 Prom/OTel/Pyroscope 等应用数据

2. 使用 LLM 构建高效率的可观测性智能体

• 从数据中提取统计特征，降低 LLM 的数据摄入量
• 以软件文档、安全情报、开源软件 Changelog 作为 RAG 语料
• 打通数据、特征、语料，以 LLM 为基础设施构建可观测性智能体

3. DeepFlow 用户的可观测性智能体实践案例

• 面向 Dev，如何在变更决策场景中使用智能体提升方案效率
• 面向 Sec，如何在安全洞察场景中使用智能体提前发现隐患
• 面向 Ops，如何在工单定界场景中使用智能体提升业务连续性

4. 未来规划

听众收益：

• eBPF 作为可观测性数据采集的基础设施有哪些优势和坑点
• LLM 如何高效的在可观测性场景下摄入海量数据和增强语料
• 可观测性智能体的最佳使用场景和效果

方案痛点： 

• 还需加快内核版本的升级，释放高版本内核下 eBPF 更丰富的能力
• 还需进一步降低大模型的数据摄入量，降低可观测性智能体的分析能耗