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

面对企业级告警根因定位中的“诊断幻觉”与“证据断层”难题，本次分享提出一种基于逻辑证伪的推理树方案。该方案深度模拟专家排查思路，利用多路径假设并行考量多种潜在根因，构建出动态演进的逻辑推理树。在执行层面，系统驱动专用子智能体调用观测工具进行实据核验，并引入总结验证机制对推理逻辑进行自检，确保证据链的连贯自洽。我将结合实际案例，重点分享如何通过“动态假设与逻辑验证”闭环解决 Agent 定位冲突，实现复杂告警场景下的智能化排障落地。

演讲提纲

1. 告警诊断与大模型结合的困境

• 幻觉干扰：模型处理运维专业语义时，易产生与事实相悖的结论
• 经验数字化难题：专家非标经验难以通过传统 Prompt 工程有效捕捉
• 工具调用瓶颈：通用 Agent 调用海量运维 API 时，准确率难以满足生产要求

2. 根因定位智能体面临的工程挑战

• 长链路下的实时定位困境：如何在海量干扰信息中精准锁定核心故障节点
• 结论幻觉与证据断层：如何通过工程手段解决“有结论、无证据”的失真问题
• 诊断过程黑盒化：如何提升诊断路径的可追溯性，增强 SRE 的实战信任感

3. RCA Agent 设计与实践

• 多路径假设生成：并行权衡多种诱因，规避单路径推理偏见
• 动态演进推理树：将排查过程结构化，实现诊断逻辑的可视化与追踪
• 子智能体协同验证：采取执行层解耦策略，驱动子智能体执行实据核证
• 总结验证闭环：通过逻辑审计建立从“假设”到“事实”的严密反馈

4. 总结与展望

• 核心沉淀：逻辑严密性与证据真实性是运维 Agent 走向生产的基石
• 未来演进：从被动辅助诊断向具备自主规划能力的运维智能体迈进

您认为，这样的技术在实践过程中有哪些痛点？

• 生成有效的假设挑战大：依赖数据、知识库与记忆能力的底层支撑
• 依赖工具准确性：子智能体调用工具及生成查询参数的精准度

演讲亮点

• 动态推理假设验证
• Multi-Agent 架构的上下文隔离
• 构建透明的推理证据链

听众收益

• 深入理解基于“假设-验证”闭环的推理思维链
• 如何通过工程化降低故障根因定位准确性
• 如何提升 Agent 根因定位领域中可解释性

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