当你的系统每天新增数百亿条日志、指标和链路数据，Elasticsearch 集群越堆越贵，高基数查询动辄超时；想存 30 天，账单受不了；只存 3 天，真出事时现场又没了。更折磨人的是，数据散落在五六个系统里，排障时你只能在界面之间反复复制时间戳和 Trace ID。
观测云的答案是：不再基于开源方案缝缝补补，而是自研一套为可观测场景而生的数据引擎 GuanceDB 3.1——完全存算分离架构，Metric / Event 双引擎分流，全字段倒排索引加流式聚合，把千亿级数据的查询拉回秒级，日志存储成本下降 70%，查询性能提升 2～4 倍。而当数据底座足够快、足够便宜，一件过去不可能的事出现了：AI Agent 可以 7×24 小时替你在这片数据里做告警分诊、根因定位和处置验证。这就是从“千亿秒查”走向真正 AgentOps 的演进。
这场演讲会带你完整走一遍这条路：为什么最终放弃 Elasticsearch 和现成 OLAP 方案，自研数据库在高基数、索引误报上的关键决策与踩坑，“统一数据事实层”如何让 Agent 带着权限边界和审批流安全地跑进生产环境，以及我们对 AI 时代可观测平台终局的判断。如果你的团队也正被数据体量和排障效率两头挤压，这些经验可以直接带走。

内容大纲：

1. 问题背景：可观测数据的“不可能三角”

• 每天数百亿条日志、指标、链路数据下，成本、性能、数据完整性不可兼得
• Elasticsearch 与现成 OLAP 方案的真实瓶颈：账单失控、高基数查询超时、多系统数据孤岛

2. 自研之路：为什么最终走向 GuanceDB

• 从 Elasticsearch 到托管 OLAP 再到自研引擎的决策逻辑
• 完全存算分离架构与 Metric / Event 双引擎的设计取舍
• 高基数、索引误报、流式聚合等关键踩坑与解法

3. 成效验证：千亿秒查的数据底座

• 千亿级数据查询拉回秒级，日志存储成本下降 70%，查询性能提升 2～4 倍
• 统一数据事实层：多模可观测数据一处采集、一处可查

4. 从秒查到真正的 AgentOps

• 告警分诊、根因定位、处置验证的 Agent 工作流拆解
• 权限边界、审批流与证据链：让 Agent 安全跑进生产环境

5. 终局判断：AI 时代可观测平台的演进方向

听众收益：

1. 一套决策框架：评估可观测数据底座“基于开源搭建还是自研”的判断依据
2. 一手架构经验：
3. 存算分离、双引擎分流、全字段倒排索引在千亿级数据场景的落地细节
4. 高基数与索引误报等典型坑的规避方法
5. 一条演进路径：从“数据秒查”到“AgentOps”的分阶段路线，可直接对照自己团队所处阶段
6. 可复用的量化参照：存储成本下降 70%、查询性能提升 2～4 倍的达成口径与前提条件

适合人群：

1. 负责监控、可观测性平台建设的架构师与技术负责人
2. 正被 Elasticsearch / OLAP 方案的成本和性能困扰的 SRE、运维与平台工程师
3. 关注 AIOps、AgentOps、落地的一线技术管理者
4. 数据库与基础设施方向，对自研引擎感兴趣的工程师