在面对庞大复杂的业务系统中，传统的自动化排障方案往往依赖于人工预定义的静态 SOP，对于未知/深层故障时力不从心。本次分享将介绍快手主站通用排障 AI Agent 实践 —— Eureka!。我们放弃了静态编排模式，转而采用 Plan/RePlan + ReAct 的 MultiAgent 范式组成 Agent Team，在部分场景下取得超越人类专家的推理效果。LLM 通过自主生成排查假设、动态调用自描述工具、结合数据资产沉淀进行深度推理，同时将验证有效的逻辑沉淀为可复用的智能资产。我将从业务视角出发，在核心业务指标下跌等极具复杂和挑战的真实案例下，深入探讨如何构建一个能召回、可解释、自进化的 RCA Agent 系统。

演讲提纲

1. 复杂业务场景下的排障困局与范式转变

• 从静态 SOP 到动态推理： 传统的规则引擎或 Worlflow 应对复杂业务的复合故障、未知/深层故障时的局限性与挑战
• 面向Agent的核心演进： 从“面向人”到“面向 Agent”的运维范式转变，在长链路排查中的业务痛点，以及Agent带来哪些增量价值
• Eureka! 的设计初衷： Coding 的下一站是 Troubleshooting，旨在解决排查耗时长、协同成本高、经验难沉淀三大核心痛点

2. Eureka! RCA Agent 的架构设计与核心机制

• 多智能体范式驱动： 深度解析如何划分 SubAgent、构建高效的 Agent Team，并实现 LLM 在复杂场景下的自主规划与流程控制。
• 可解释性设计： 如何将 LLM 的“黑盒”思考过程转化为白盒化的推理路径，确保诊断过程可溯源、有结论
• 工程决定性约束： 如何通过工程手段约束 Agent 行为，通过典型 Case 阐述如何保证生产环境下 Agent 执行结果的相对稳定

3. 从 Hackathon Demo 走向落地的关键能力

• 从“动态推演”到“资产库”： 将复杂业务逻辑沉淀为AI Native的离线业务资产、将临时生成的排障逻辑固化到 Skill
• 动态工具调用与自进化： Agent 如何理解并精准调用各类可观测性工具 ，工具之间的迭代和进化
• Benchmark 体系构建： 排障领域的 Benchmark 设计思路，通过历史数据转储、仿真环境模拟等方式构建高质量数据集，持续评估 Agent
• 核心产品交互形态： 从 Chatbot 的以人驱动到 AI Native 的自驱动，结合在排障场景的经验思考，如何构建更高效的产品交互形态

4. 实践分享与未来范式展望

• 典型案例分享： 以业务核心指标下跌、Redis 可用性下跌场景为例，对比传统 SOP 与 Eureka! 自主排查的效率和准确性差异
• 核心沉淀： 提供有效线索、准确结论，确保证据真实、结果可解释是运维 Agent 走向生产的基石
• 未来演进： 迈向具备自主规划、持续学习能力的“Agent Native”平台工程新模型

您认为，这样的技术在实践过程中有哪些痛点？

• 推理路径的收敛性： 在极其复杂的环境下，如何防止 Agent 陷入无效的排查路径、准确识别问题路径和剪枝
• 工具与数据的质量： Agent 的准确性高度依赖于底层数据的完备性以及工具的描述，如何合理设计、持续迭代

演讲亮点

• 自主规划 vs 静态编排： 突破传统 SOP 限制，展示 AI 执行非预设路径的推理能力
• 白盒化推理过程： 通过关键实时线索传递，解决 SRE 对 AI 诊断结果的信任问题
• 自进化和知识资产： 介绍如何实现系统的自我迭代、如何持续构建业务数据资产

听众收益

• 设计思路： 深入理解基于 Plan + ReAct SubAgent架构的 RCA Agent 设计方案
• 工程经验： 相比可结构化的Coding代码、非结构化的排障经验如何沉淀为Agent能力
• 实践参考： 获取真实业务场景下如何构建可解释性与自动化的排障Agent实战参考