随着服务架构的演进，可观测性解决方案也在持续发展。在分布式系统可观测性技术还未完全成熟时，大模型的兴起又对可观测性提出了新的技术要求，并催生了创新的实践方法。本次演讲我将首先回顾小米可观测性技术的发展历程，随后深入分享可观测性在 AI 基础设施建设中的多项解决方案与实践案例，包括集群快速交付、多机房高可用架构、网络监控与故障自愈等关键技术领域的应用实践。

演讲提纲

1. 现状与挑战

• 完整的可观测体系建设
• 集群自动化交付
• 多机房可用性保障
• 不同领域的数据联动

2. 可观测在 AI 基础设施的落地方案

• 能力概览
• 典型案例-大模型场景
• 典型案例-高性能网络场景

3. AIOps 探索落地

• 从高频场景触发
• 基于 MCP 的多 Agent 实现
• 落地效果

4. 展望

• 深化能力
• 泛化场景

您认为，这样的技术在实践过程中有哪些痛点？

• 业务场景多，业务敏感，对服务质量提出更高要求
• 架构日益复杂，对服务可用性的保障机制提出更高要求
• 服务规模大，数据量大，成本增加，需要长期在质量和成本之间平衡

演讲亮点

• 可观测性服务自身的自动化运维方案
• 大模型服务日志的持久化方案
• 网络故障监控与自愈方案

听众收益

• 了解可观测系统的演进历程
• 了解可观测性在 AI 基建中的典型案例