专题演讲嘉宾：石鹏（东方德胜）

在 AIGC 业务开始规模化落地后，我们的 SRE 团队很快感受到两股压力同时袭来：一方面是多层算法流带来的复杂调度与稳定性挑战，另一方面是长期积累的治理“旧账”——元数据散乱、标准化缺失，正在持续放大运维成本。与其继续靠堆人力硬扛，我们选择开启一条“补课式”的转型路径：一边补齐标准化与 SOP 的基础能力，一边探索基于 Multi-Agent 架构的智能运维体系。

在这次分享中，我会结合美图的真实实践，拆解我们如何利用 MCP 协议解耦复杂工具链，通过 Skills 机制将标准化运维能力封装为可执行单元，逐步打通从知识问答、OnCall 工单处理，到根因定位（RCA）与故障自愈的完整闭环。这套体系最终帮助我们实现了约 40% 的人效提升，也让运维从“人肉响应”走向“语义驱动执行”。

同时，我也会重点分享在生产环境中踩过的坑：例如如何划定 Agent 的指令安全边界，如何应对模型幻觉带来的数据一致性风险，以及这些取舍背后的工程权衡，希望为正在探索 SRE Agent 落地的团队提供一条可参考的演进路径。

演讲提纲

1. 序幕：AIGC 爆发下的运维“债务”危机

• 业务挑战：美图 AIGC 多层算法流带来的高频调度与稳定性压力
• 现状审视：坦诚历史“旧账”——元数据散乱、标准化断层如何制约 Agent 的生产力
• 演进策略：通过构建 “Skills-based SOP” 体系，实现运维能力的快速补齐与跨代演进

2. 筑基：Skills 体系——将 SOP 转化为 Agent 的“肌肉记忆”

• 定义革新：从静态文档到可执行 Skills：包含专家经验、结构化约束与执行工具的统一封装
• 方法论落地：如何通过 Agent 语义驱动，反向强制推行元数据治理与标准化运维建模
• 补课成效：通过 Skills 的标准化沉淀，在解决历史债务的同时，为 Agent 提供精准的执行上下文

3. 架构：基于 LangGraph 的有状态 Skills 调度

• 核心选型：为什么选择 LangGraph？解决故障处理中复杂的“循环判断”与“异常回滚”逻辑
• 节点化编排：将每一个 Skill SOP 节点化，利用循环图实现复杂运维任务的动态自适应编排
• 协议统一：引入 MCP (Model Context Protocol) 解耦工具层，构建标准化、可插拔的 SRE 能力库

4. 实战：从“对话问答”到“闭环执行”的进阶

• 场景一：根因定位 (RCA)：Agent 如何按照 SOP Skills 自动巡检、收集证据并实现分钟级的故障锁定
• 场景二：全生命周期故障管理：打通告警压缩、工单处理到故障自愈的 Skills 流转闭环
• 效能提升：实战数据展示：40% 效率提升背后的技术逻辑与人机协作模式

5. 深度反思：生产环境下的 Trade-off 与避坑

• SOP 刚性 vs. 决策灵活性：如何在 LangGraph 中通过“条件边”设置安全红线，防止 Agent 跳出 SOP 范围
• 一致性困境：解决秒级推理速度与毫秒级基础设施状态变化之间的“时序错位”
• 幻觉治理：如何通过“语义沙箱”与“多重校验”规避模型虚构运维指令的风险

6. 总结：从“补课生”到“智理者”

• 核心价值：Agent 不是取代 SRE，而是通过 Skills 体系释放人类的创造力
• 未来展望：美图在自愈式基础设施治理上的下一步目标

您认为，这样的技术在实践过程中有哪些痛点？

• 指令执行的安全边界 vs. 自动化效率： 在 SRE 场景下，完全闭环的自动操作（如自动重启或配置变更）风险极大。我们在实践中面临“人机协作”的权衡：是追求极致的自动化，还是保留强制的人工确认？最终我们通过“语义校验 + 灰度执行库”来建立安全水位，但这牺牲了一定的响应实时性。
• 状态一致性挑战： SRE 环境是高度动态的，Agent 的推理速度（秒级）往往滞后于基础设施的状态变化（毫秒级）。如何确保模型在决策时看到的元数据不是“过期的快照”，是我们面临的长期挑战，涉及了复杂的实时缓存与感知反馈机制。
• 模型幻觉与生产稳定性： LLM 可能在根因分析（RCA）中虚构不存在的指标或参数。我们选择了“限制搜索空间”的方案，即 Agent 只能在定义的 Skills 库内操作，这虽然增强了安全性，但也限制了 Agent 发现“黑天鹅”问题的天马行空。

演讲亮点

• 基于 MCP 协议的“插件式”SRE 架构： 区别于业界常见的“硬编码”工具调用，我们引入了 MCP（Model Context Protocol） 协议来标准化 Skill 层。这使得运维工具链与模型底座实现完全解耦，不同团队开发的运维脚本只需简单适配即可转化为 Agent 的原子能力
• “补课式”元数据治理路径： 我们分享的重点不在于模型多强，而在于如何通过 Agent 倒逼运维标准化。我们展示了一套“元数据-标准化-Agent驱动”的演进模型，通过 LLM 语义识别来反向清理历史冗余的资产数据，这种“由上而下”的治理思路与传统“由底向上”的方式截然不同

听众收益

• 获得一份“旧账”公司的智能运维转型地图： 针对历史债务沉重（资产乱、流程杂）的企业，听众可以学习如何通过“补课”策略，在不重构全量底层系统的前提下，快速上线具备生产力的 SRE Agent
• 掌握 Multi-Agent 在垂直领域的落地架构： 深入了解如何利用 Python/Celery 构建高并发的 Agent 任务调度层，以及如何设计多 Agent 协作流（如从工单助手到故障自愈的交接棒逻辑）
• 避坑指南： 听众将直接获得我们在生产环境中使用 Agent 进行故障定位与风险评估时的真实失效案例，了解如何从流程、工程和算法三个维度规避 Agent 的“乱作为”