原创 熊子川 2025-03-25 11:33 陕西
AI不仅解锁了问题处理的效率边界，更通过持续学习推动IT运营从“被动修补”走向“主动进化”。展望未来，AIOps或将实现“自治运维”。
企业的数字化转型始终在不断推进，伴随而来的是IT系统的复杂性呈指数级增长。服务器、微服务、容器、数据平台等多层技术堆栈交织在一起，遗留系统与云原生架构相互耦合，快速迭代的业务需求与全球化部署的弹性要求，使得传统IT运营模式逐渐力不从心。
面对海量指标和告警、突发的故障、不断更新的运营知识以及持续的系统迭代需求，运维团队往往陷入“救火式响应”的恶性循环。然而，人工智能（AI）的引入为这一困局提供了突破之道——AI不仅解锁了问题处理的效率边界，更通过持续学习推动IT运营从“被动修补”走向“主动进化”。
IT运维的恶性循环与破局点
传统IT运营遵循“发现-诊断-排查-解决-学习”的线性逻辑，但其核心矛盾在于：问题发现的滞后性与解决成本的指数级增长。
当系统出现异常时，运维团队需要从成千上万的日志、指标和告警中定位根源。这一过程往往依赖支持工程师的经验与人工排查，耗时且容易误判。在我们为客户提供运维服务之前，企业平均需要数小时定位复杂系统的故障根因，而在此期间，业务损失可能已经产生。
更严峻的是，高昂的解决成本会倒逼团队选择“短视方案”——例如直接重启服务、打补丁、甚至屏蔽告警。这些临时措施虽能快速恢复业务，却为系统埋下更多隐患：无论是从可观测性还是系统代码质量来看，临时措施都会导致未来故障的连锁反应与更高的修复成本，从而使运营团队陷入『负循环』。最终的结果是更高的运维成本、逐步降低的可观测性、甚至渐渐腐化的系统。
AIOps（智能运维）的核心价值，正是通过AI在问题萌芽阶段介入，打破这一恶性循环。它从海量数据中提取模式，在故障影响扩散前预警、分析并推荐解决方案、根据问题的种类和优先级提供自动化解决方案并执行，同时将处理经验沉淀为可复用的知识，最终实现“越早处理，成本越低”的良性闭环。
AIOps的三大核心场景落地
场景一：指标与告警管理——从“告警疲劳”到“精准洞察”
传统监控工具常陷入“告警疲劳（Alert Fatigue）”：单一服务器CPU使用率飙升可能触发数十条关联告警，而其中仅1条指向真实故障。在客户与Thoughtworks合作中，我们构建了一整套端到端的可观测性解决方案，包括指标收集、告警梳理、异常处理、根因分析、协作软件集成、直到运营报告的生成，在这个过程中，我们的解决方案设计整合了多个平台、大语言模型、以及开源技术，最终，我们能够在工单生成前，从指标数据中精准识别问题并提前处理，以下是这个解决方案的若干构件： 
这个实施方案里：我们通过Chronosphere与Odigos进行多个信息源的可观测性指标的收集、筛选、合并最终生成优先处理的告警；告警通过Rootly告警管理平台进行管理，结合Slack平台与运营人员进行即时互动；同时利用Google Vertex AI提供的大语言模型进行AI辅助——例如事故总结、根因分析、基础知识辅助等；相关运营知识采用Glean的AI知识搜索功能进行抽取和总结；最终，在Slack上的处理结果将按类型分流：可以执行的自动化任务（由GitHub Actions完成）、更新的知识（自动生成Conflunce页面）、或自动生成的工单（通过Jira或Zendesk）。
通过这个解决方案的实施，我们预计AI可以通过自动化的方式处理超过20%系统告警、超过60%的告警可以得到在工单生成之前得到有效处理、最终降低整体的工单量。
场景二：工单自动化与响应——从“人力密集型”到“智能流水线”
工单处理涉及大量重复性工作：用户提交故障描述、运维人员检索知识库、分派任务并手动验证结果。AI在此环节实现三重突破：
1.自然语言处理（NLP）自动解析工单：将用户描述的系统问题自动关联至性能指标、近期变更记录等上下文，生成结构化工单。
2.知识图谱驱动的自动化响应：例如，当识别到『登录失败』工单时，AI自动检查身份验证服务状态、防火墙规则及最近代码发布记录，并执行预置的检查脚本，60%的简单问题可自动解决。
3.智能分派与协同：根据故障类型、工程师专长和当前负载，动态分配任务，并推送关联案例和修复方案，减少跨团队沟通成本。
在与东南亚某国政府的合作中，我们利用该方案实现了工单预处理团队（Pre-L1）的全面自动化，成功替代8人的人工操作，每年为客户节省近百万美元的人工运营成本。
场景三：系统演进辅助——从“推倒重建”到“慢演进”
在与客户的合作我们越来越发现，一个健康、且持续健康的系统对于运营团队至关重要，优秀的系统架构、自动化程度、可观测性等等都可以大幅降低运营团队的成本、提升运营效率。所以Thoughtworks DAMO提出了『慢演进』的概念——相比高风险的“推倒重建”，更倾向于通过迭代优化，逐步提升系统健康指标。通过AIOps的实施，我们帮助客户节省了大量运营成本、同时我们将这些被节省的成本重新投入到系统的『慢演进』中去，这里我们同样使用AI进行系统演进。
例如以下这个例子:
为了使得每次提交的代码，不引入架构问题、安全风险、或代码质量问题，我们采用AI和人协同进行代码审查的方式，秉承“持续改进”的敏捷思想，保证在每一次代码提交时不破坏系统健康。
在另一个案例中，我们结合大语言模型与知识图谱，从遗留代码中提取业务和系统知识，并将其转化为可复用的领域知识，助力研发、架构演进、及运维管理：
AI驱动的IT运营新范式
AIOps不仅仅是将算法嵌入既有流程，而是推动IT运营向三个维度演进：
1.从被动响应到主动预防：通过早期预警和根因分析，AIOps能够在问题影响业务之前就将其拦截，从而实现主动防控。
2.从人工决策到人机协同：AI负责处理规则明确且高并发的简单任务，而人类专注于复杂决策和创新，通过这种方式，整理工单量得以减少，用户问题的响应能力也得到提升。
3.与架构团队共同负责长期的系统演进：借助AI的力量，能够有效保护代码健康，并为系统架构的持续演进引驾护航。大语言模型的推理能力还能够用于领域知识的抽取与转化。
这种范式迁移的长期价值在于，随着AI技术的应用，企业IT系统将变得越来越智能，系统的迭代将越来越稳定，从而支撑业务的数字化创新，同时降低长期维护成本。
结语
AI正在重新定义IT运营的“效率”与“价值”。它不仅是工具的升级，更是对角色定位的重新演绎：运维团队的角色从“系统修理工”转向“架构保护者”、甚至“业务护航者”，而IT系统本身也从“成本中心”演变为“创新引擎”。展望未来，随着大模型与AI技术的进一步成熟，AIOps或将实现“自治运维”。然而，这并不意味着取代人类，而是通过人机协作的智慧，成为企业数字韧性的真正基石。
更多关于AIOps的内容，敬请关注3月27日本周四的直播：
