专题演讲嘉宾：宁振航

面对线上客诉引发的高昂沟通与排查成本，我们打造了端到端 AI 智能诊断系统，打通了前后端全链路数据，只需输入问题现象，AI 即可自动推演诊断路径并直出根因。目前系统采纳率已超 80%，成为研发重度依赖的核心基建。本次演讲我将重点剖析 AI 诊断的技术难点、上下文治理的工程权衡，以及如何通过评测体系驱动系统的规模化迭代。

演讲提纲

1. 背景：为什么要做：从“拉群排查”走向“系统化诊断”

• 线上问题排查高度依赖经验：遇到问题先拉群、找人、翻日志，定位过程分散且难复用
• 同类问题反复出现，但排查路径往往需要重新走一遍，效率低且不可沉淀

2. 星图核心能力建设

• 智能体引擎升级：支持多轮对话、记忆管理、稳定的工具调用框架
• CodeBase 深度理解：让 AI 不是只读文档，而是能读代码、理解链路
• Skills 体系：把工单/文档/图片 OCR 等输入统一识别，把排查入口与工具链连起来

3. 端到端排查实践：从服务端到客户端

• 怎么持续变准：从调参到可评测、可迭代
• Benchmark：把高频场景做成金标准题库，迭代有指标、有回归

4. 总结展望：把诊断结论与反馈变成可复用资产，推动 “越用越准”

• 下一步：从排查工具到研发智能体基座
• 体验洞察：反馈与行为数据中找到机会，让治理前移到预防

您认为，这样的技术在实践过程中有哪些痛点？

• 重度依赖模型推理能力：整体问题排查的准确度跟模型的推理能力直接相关，用参数较小模型排查效果不及预期

演讲亮点

• 超长上下文治理、Codebase Agent 能力、项目知识库 AI 自动化

听众收益

• 一套“AI 做线上排查”的落地路径：底座、知识、工具、闭环与评测怎么搭
• 端到端排查的关键难点：上下文治理、链路对齐、以及如何规模化迭代