随着大模型智能程度的大幅提升，运维领域正经历从自动化阶段向具备“感知-认知-决策-行动”的闭环时代的转变。AI Agent 可以在诸多场景替代人执行任务，但目前还无法取代人。构建人和 AI 紧密协同的机制，让 AI 在与人的沟通中获取准确信息，进而转化为正确的任务，然后调用 MCP 工具来执行。同时，在整个过程中，AI 从现实中得到反馈，完成自我进化。本次演讲我将以运维场景为切入点，分享我们在人机协作机制，AI Agent 自学习机制技术方面做了大量探索，希望本次分享能对正在做 AI Agent 的技术人员有所帮助。

演讲提纲

1. 挑战与机遇：大模型驱动下的智能运维 Agent 新范式

• 传统智能运维所面临挑战：泛化能力欠佳、依赖人工经验、非结构化数据处理存在难题等
• AI Agent 在智能运维中的机会：从认知到执行的闭环，从自动化向智能化迈进
• 运维领域对  AI Agent 场景需求：安全合规性、风险可控性、输入复杂性、私域知识占比大

2. 从 0 到 1：趣丸运维 Agent 1.0 的落地与反思

• AI Agent 技术落地的问题和挑战：稳定性、时效性、成本、风险之间的平衡问题
• 1.0 的落地与实现：基于反思的多Agent架构
• 1.0 落地场景、成效收益和问题反思

3. 自我进化：运维 Agent 2.0 的自学习机制与技术路径

• 打造自我进化的 Agent 2.0 ：基于交互的学习机制、个性化记忆模式以及具备“人在环路”的可控风险策略
• 技术实现路径：
  • 自学习 Agent 2.0 从 0 到 1 的整体框架
  • 自学习 Agent 2.0 的数据工程与效果评估方法
  • 强化学习提升 Agent 2.0 任务准确性的策略

4. 未来图景：目标驱动的主动式人机协同新方向探索

• 基于目标的主动式人机协同方案构想：使 AI 与人拥有共同目标，由 AI 主动推动目标的达成

您认为，此类技术在实践过程中存在哪些痛点？

• 如何正确有效地引导用户一起完成任务，防止因信息不完整、背景不清楚而使任务失败
• 如何高效低成本搭建一个从用户反馈到微调/训练模型的闭环数据工程，让AI学习有用的用户反馈数据和私域知识，自我反思问题

演讲亮点

• 运维 AI  Agent 过去2年 从1.0 到 2.0 持续迭代演进的曲折过程
• 运维 AI Agent 实现自学习机制的前沿实战经验

听众收益

• 了解 AI Agent 技术在运维场景应用落地的价值点
• 了解 AI Agent 从环境感知、任务规划、决策闭环，以及基于反馈数据的模型能力迭代的全流程技术实现
• 了解 AI Agent 自学习机制的技术方案