企业分布式系统架构日盛的大背景下，运维系统的复杂度正呈指数级攀升，给 SRE 工作带来重重挑战：混合云架构，微服务架构让多集群、多服务交织，一旦出现故障，工程师需在海量日志、跨链路指标中反复溯源，问题排查往往耗时数小时甚至更久；容量分析既要考虑业务峰值波动，又要平衡资源成本，传统依赖经验的估算方式常出现偏差；而随着业务快速迭代，架构持续演变，新旧系统兼容、技术栈更新带来的潜在风险，进一步加剧了运维压力。​

传统的运维方式的解决方法是依赖不同领域的专家经验相互协作，结合系统的数据进行分析，才能得到问题的解决方案。SREAgent 利用大模型凭借其强大的语义理解、关联分析与知识沉淀能力，为破解这些运维难题提供了新思路。它能学习和模仿人的经验，打破数据孤岛，将分散的日志、监控指标、工单信息整合分析，快速定位故障根因，大幅缩短排查时间；在容量分析场景中，可基于历史数据与业务增长趋势，生成更精准的资源配置建议；面对架构演变，还能梳理技术依赖关系，提前识别兼容性风险。

在实现的过程中，也存在数据量过大，信息过载，模型幻觉导致结果不准确的问题，本次演讲将介绍 SREAgnet 如何将大模型和工程化结合去解决以上问题，并详细介绍其在问题根因分析、风险主动巡检、成本优化等几个关键运维场景的实践过程。

演讲提纲

1. 运维场景问题和挑战​

• 应用场景
  • 系统稳定性的应用场景
  • 成本优化的应用场景
  • 研发支持的应用场景
• 面临的挑战
  • 分布式架构的复杂性
  • 海量数据的信息提炼
  • 业务快速迭代下新旧系统兼容性问题​

2. 几种典型场景的方案

• 问题根因分析场景
  • 问题根因分析的难点
  • 根因分析过程和所依赖的数据
  • 提升 SREAgent 的分析思路正确性
• 风险主动巡检场景
  • 智能主动巡检的和传统的系统巡检的区别
  • 如何结合大模型和工程化能力提升巡检效率
• 成本优化场景
  •     IT 资产的分类分析
  •     指标的收集和维护
  •     SREAgent 从业务架构层面进行优化分析

3. 问题沉淀和系统架构

• 落地过程中碰到的问题​
  • 数据量和信息量过载问题
  • 模型幻觉问题
• 沉淀的系统架构​
  • 元数据的模型设计
  • 通用性和确定性的取舍
  • 系统如何提供扩展点来满足更多的需求

4. 未来的展望​

• 场景的挖掘深度，提升结构的准确性
• 系统的扩展性，快速满足更多的场景
• 性能提升，提升 Agent 的响应速度

您认为，这样的技术在实践过程中有哪些痛点？

• 运维场景的依赖人的专业水平，Agent 如何快速达到相当的水平
• 大量的数据如何清洗和标注，让大模型更理解
• 问题的通用性和确定性之间如何平衡

演讲亮点

• 结合实际的运维场景的问题解决策略

听众收益

• AI 时代，运维领域里如何结合大模型提升运维水平和能力