专题演讲嘉宾：裴彤

随着大模型与 Agent 的发展，运维平台正在演进为以 Agent 为核心的智能中枢。本次分享我将探讨可观测性数据如何从可视化、规则化迈向可被模型理解与推理的智能化阶段，并分析实现这一目标所需的数据规范与基础。在此基础上，深入讨论运维 Agent 在真实场景中的关键挑战，包括 Agent 如何与业务系统高效交互、如何理解复杂系统结构，以及如何通过知识图谱、知识库构建可持续进化的智能闭环，以及 Agent 落地过程中的工程实践与优化思路。

演讲提纲

1. 从 AIOps 到 Agent Ops

• 可观测性智能化的演进 Level，数据达到 AI-Ready 的条件
• AIOps 侧重对可观测性系统使用的智能化，而 Agent Ops 还需要进一步提升配置端的智能化，实现 AI for Data 和 Data for AI 的闭环，从可观测性数据的生产、使用，实现全链路智能

2. Agent Ops 实现的挑战与设计

• Agent 如何与业务系统进行交互：面向 Agent 的数据抽象与查询机制设计，包括指标、日志、trace、事件、工作流等各类信息的接入和使用
• Agent 如何理解业务系统：通过构建 AI-Native 的运维知识图谱，以及业务知识库和反馈回路的搭建，建设 AI 可理解、可使用的 Agent 系统
• AI For Data 的数据建设：通过 Agent 持续挖掘、完善数据关联关系，构建从数据理解到知识增强的全链路闭环
• Agent 落地的工程挑战与优化：包括 Tool / Skill 的设计原则、ReAct 模式的应用以及 Multi-Agent 架构中上下文工程的优化实践

3. Flashcat AI Agent 的落地实践

4. 可观测性智能化未来效果展望

• 持续进化、自主学习的 Agent 基座
• 自主规划、人机协同的新范式

您认为，这样的技术在实践过程中有哪些痛点？

• Agent 准确性强依赖于数据完善程度，建设全面准确的底层数据，是实际落地中比较大的挑战

演讲亮点

• AI-Native 的运维知识图谱构建，让 Agent 更好的理解业务系统，能够真正做到 Agent Ops 落地
• 基于 AI 不断完善数据准确性，形成闭环的数据建设体系，持续提升 Agent 的准确性

听众收益

• 可观测性 AI 的数据建设方法
• Ops Agent 的设计思路和工程实践经验