研发与 SRE 团队日常工作中，主要被三类任务消耗大量时间：半夜因告警被叫醒、反复查询指标日志及排障分析、撰写复盘总结报告。传统自动化及 AIOps 实践虽然在一定程度上缓解了部分环节的问题，但由于知识难以结构化复用、工具体系分散，导致难以有效融合多源观测数据与专家知识，且难以泛化应用于多样化场景。我们提出基于大语言模型（LLM）的“ 告警值守 SRE Agent”，实现告警降噪自动处理、微服务根因定位与个性化分析，最终生成值守报告，显著提升运维效率。

演讲提纲

1. 告警值守场景的痛点、挑战和 Agent 的价值

• 值守场景的痛点与挑战
• 尽管引入智能检测，告警噪音问题依然严重影响值守效率
• AIOps 虽解决了标准化微服务的根因分析（RCA）问题，但面对自定义分析需求存在瓶颈
• 如何将用户个性化排查知识加载成可执行的分析模型？
• 如何高效闭环实现“发现-分析-处理-预防”流程？
• 引入 Agent 后， 可以解决哪些问题

2. 搭建 SRE Agent， 遇到的三大挑战

• Prompt 与上下文信息日益增长，导致 Token 数量爆炸，影响模型性能
• 代码逐渐演变为复杂 Workflow，面临效果与泛化能力的权衡
• Agent 目前仅能执行简单 SOP，复杂个性化排查经验难以复用

3. SRE Agent 平台架构的“四横四纵”设计

• 四横维度：观测数据层 / LLM 与知识引擎 / Agent 运行架构 / SRE Agent 应用场景
• 四纵流程：Plan（规划）- Act（执行）- Assess（评估）- Learn（学习）

4. 初步实践：基于 Agent 的告警降噪实现

• 噪音告警的定义、判定标准及处理流程
• 基于历史对话与处理记录的知识提取与经验学习机制
• 典型场景案例分析

5. “5A”行动计划：从 RCA Copilot 到自主分析与行动适应 Agent

• Analyze & Plan：通过问题分析、规划思路、计划生成等多种方式，增强复杂 SOP 的规划能力
• Act：采用 Plan-Executor 拆解机制，实现执行器解耦，提升复杂 SOP 执行效率
• Adapt：引入记忆模板机制，提高相似问题的复用率
• 典型场景案例分析

6. 总结与展望

• Agent 在告警值守场景中的实践经验与教训总结
• 面向未来，构建具备自主规划与迭代能力的“运维数字生命体”

您认为，这样的技术在实践过程中有哪些痛点？

• Agent 如何与观测平台中多样化环境和数据源无缝打通，获取完整上下文信息
• Workflow 与 Agent 之间的权衡，如何平衡确定性执行与探索可能性
• 如何构建数据驱动与学习驱动的双轮机制，使每次执行成功经验沉淀为可复用的增长引擎

演讲亮点

• 规模化场景与探索上限并存：结合噪音告警识别与个性化 SOP 执行，探讨告警值守场景的两种技术路径
• 踩坑经验与架构创新：深入剖析 Agent 架构优化与演进历程，分享 Workflow 与 Agent 之间的设计权衡与取舍

听众收益

• 全面了解字节跳动内部从 0 到 1 构建 SRE Agent 的实践历程
• 深入理解知识提取与学习机制在噪音告警治理中的应用
• 掌握通过 Plan-Act 循环提升复杂 SOP 执行能力的方法，解决自定义与个性化排障经验沉淀与执行难题