AI 智能体终结运维"狼来了"

序言   “狼来了”

"叮咚！CPU 使用率超过 90%！"

"叮咚！内存占用达到 80%！"

"叮咚！连接池资源空闲数低于 5%！"

凌晨 3 点，我们的老演员，运维工程师小李，再次被钉钉机器人中监控的 Prometheus 的告警吵醒，他盯着手机屏幕，眼神呆滞，本着“小心驶得万年船，不可让一个故障漏网”的原则，他还是艰难地对抗了睡意，把所有系统健康指标进行逐一排查，如期所料，又是一起误报。

“悠悠苍天，何薄于我？这玩意监控了个寂寞呀。”

告警对于广大运维人员来说，真的是又爱又恨，不用长时间监控系统有异常之后通知运维人员，极大的节省了时间，但随着设备规模的大量增加，原本较少误报突然呈现了爆炸式的增长，从而使得“狼来了”式的告警逐渐降低了运维人员的警惕阈值，从而使得正真的故障狼来了之时，运维人员可能还蒙在鼓里，毫无反应。

前章   “AI 智能体”

AI 时代，是否有更好的解决方案？热烈欢迎本场的主角“AI 智能体”上线。

AI 智能体，通常是指能够感知环境、自主决策并执行动作以实现特定目标的一类人工智能系统。该系统结合了感知、推理、学习和行动能力，可以独立或在人工协同指导下完成任务。

那么如何通过构建 AI 智能体来处理 Prometheus 的告警呢？基本可以遵循如下的功能模块来处置。

▍一、感知模块

负责接收和处理来自环境的各类信息，为后续决策提供所需的数据支持。该部分的准确性和敏感度会直接影响到后续的处理。常见的感知模块一般可以使用如下方式：

文本感知：NLP 模型（BERT/GPT）

图像感知：CV 模型（YOLO/ResNet）

语音感知：ASR 系统

▍二、认知引擎

负责记录相关故障处置的上下文信息及对应处置经验。按照信息存活时间及相关信息的固化特征可以分为：

短期记忆：对话上下文管理（LSTM/Transformer）

长期记忆：一般使用知识图谱、向量数据库

在构建对应的认知记忆过程需要遵循严格的标准，比如在 AI 智能体在处理 Prometheus 告警时，需要考虑如下的因素：

历史性：异常指标是否在相同周期内出现

全局性：异常指标在集群架构下影响力

价值性：何种严重程度需要提示为告警，把小李从床上拉起来

基础信息：持续时间、严重程度

关联关系：服务组来源信息

同时对于告警的处置结果执行方式也分为三个星级：

一星告警："嗯。"（记录日志完事）

二星告警："嗯？"（发个 Slack 消息）

三星告警："啊！"（打电话+发短信+在办公室拉防空警报）

▍三、决策中心

该模块通过综合考虑各种因素，运用逻辑推理和概率统计等方法，做出最优决策。在大模型逐渐成熟的当下，该部分主要由各大模型来扮演，如 DeepSeek、GPT 等，相关介绍材料很多，在此不再赘述。

▍四、执行模块

依据决策中心提供的处理意见完成对应处理工作，设计的核心是完成与相关业务系统的交互与联动，通常可以通过如下方式完成：

API 调用：OpenAPI 规范封装

RPA 操作：Playwright/Airflow 集成

执行模块是最终呈现处置的关键部分，最终来衡量 AI 智能体在过程中非人工介入程度，与工具的对接的丰富度及耦合度决定了执行的准确性。

▍五、反馈系统

实现系统的持续自我优化，通过计算关键指标（如任务完成率、耗时）来进行效果评估。常见的模型更新：

在线学习：Bandit 算法实时调整策略

离线训练：每周全量数据 retraining

终章   “不看广告，看疗效”

▍第一回合：CPU 使用率告警

Prometheus："报！CPU 冲到 95%了！"

AI："淡定，这是每日报表生成时间，你家 CPU 在 996 呢"

结果：标记为"预期波动"，Slack 发个已处理消息

▍第二回合：磁盘空间不足

Prometheus："急急急！/var 只剩 5%了！"

AI："（查看历史记录）发现这个分区每周三都会这样...等等，日志轮转脚本又睡懒觉了？"

结果：自动触发日志清理脚本，并在 Jira 创建工单："日志轮转脚本又双叒叕偷懒了"

▍第三回合：数据库连接池耗尽

Prometheus："药丸！连接池 100%了！"

AI："（0.1 秒内扫描全链路）前端流量激增→促销活动忘了限流→这不是故障，这是 KPI 在发光啊！"

结果：自动扩容数据库实例+@市场部："亲，下次搞活动记得提前说哦~"

写在最后：AI 不是终点，而是起点

记住：

再智能的 AI 也干不过写 bug 的程序员

再精准的过滤也挡不住老板的突发奇想

最好的监控系统也永远有一个会骂“这什么破 AI”的幕后运维小李

在完成该文章的过程中，消耗了作者 4 杯咖啡和 12 次对 Prometheus 的告警的亲切问候。