體的根因定位系統(tǒng)實(shí)踐基于DeepSeek和多智能1

AIOps

與

RCA

技術(shù)演進(jìn)趨勢(shì)2

基于多智能體的運(yùn)維體系搭建3

大模型落地多場(chǎng)景根因定位系統(tǒng)4

DeepSeek

等大模型優(yōu)化與實(shí)踐目錄/

CONTENTSAIOps

與

RCA技術(shù)演進(jìn)趨勢(shì)GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站DevOps自動(dòng)化運(yùn)維范式以自動(dòng)化流程為核心，打破開發(fā)與運(yùn)維壁壘，通過持續(xù)集成/交付（CI/CD）實(shí)現(xiàn)高頻部署，縮短交付周期，提升系統(tǒng)迭代效率。AIOps智能運(yùn)維新范式基于大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)，實(shí)現(xiàn)異常檢測(cè)、根因定位和故障自愈，將運(yùn)維從被動(dòng)響應(yīng)轉(zhuǎn)向主動(dòng)預(yù)測(cè)，顯著降低平均故障修復(fù)時(shí)間（

MTTR）與業(yè)務(wù)中斷風(fēng)險(xiǎn)。

運(yùn)維技術(shù)演進(jìn)：從DevOps

到AIOps定位有效性借助智能算法快速精準(zhǔn)定位故障根源，提升運(yùn)維效率，減少系統(tǒng)故障時(shí)間，從而全方面保障業(yè)務(wù)連續(xù)性和穩(wěn)定性。數(shù)據(jù)處理能力AIOps

平臺(tái)需高效收集、整合和預(yù)處理海量多源異構(gòu)數(shù)據(jù)，為后續(xù)分析和決策提供全面、準(zhǔn)確的數(shù)據(jù)基礎(chǔ)，實(shí)現(xiàn)對(duì)

IT運(yùn)維狀態(tài)的精準(zhǔn)把握。自動(dòng)化響應(yīng)基于分析結(jié)果自動(dòng)觸發(fā)響應(yīng)措施，如自動(dòng)調(diào)整資源配置、重啟服務(wù)、切換故障設(shè)備等，減少人工干預(yù)，提高運(yùn)維效率和系統(tǒng)可用性。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站可解釋性直觀展示運(yùn)維數(shù)據(jù)和分析結(jié)果，確保智能分析和決策過程的可解釋性，增強(qiáng)運(yùn)維人員對(duì)系統(tǒng)的信任和使用效果。運(yùn)維技術(shù)演進(jìn)：AIOps

的關(guān)鍵指標(biāo)RCA（

RootCauseAnalysis）技術(shù)難點(diǎn)主要體現(xiàn)在多模態(tài)數(shù)據(jù)融合、因果推斷、數(shù)據(jù)質(zhì)量及落地工程化等方面。多模態(tài)數(shù)據(jù)融合困難，需整合海量多源異構(gòu)數(shù)據(jù)以刻畫系統(tǒng)狀態(tài)；因果關(guān)系推斷復(fù)雜，組件間依賴關(guān)系復(fù)雜，易受虛假相關(guān)干擾；數(shù)據(jù)質(zhì)量問題突出，噪聲、缺失值等影響分析準(zhǔn)確性；技術(shù)落地與工程化困難，需結(jié)合領(lǐng)域知識(shí)，缺乏通用框架，模型訓(xùn)練與優(yōu)化成本高，對(duì)性能和可解釋性要求極高。多智能體協(xié)同面對(duì)復(fù)雜因果關(guān)系推斷，

引入多智能體協(xié)同機(jī)制，各智能體分工合作，有效應(yīng)對(duì)組件間復(fù)雜依賴關(guān)系，減少虛假相關(guān)干擾。運(yùn)維數(shù)據(jù)整合針對(duì)多模態(tài)數(shù)據(jù)融合難題，

整合海量多源異構(gòu)數(shù)據(jù)，構(gòu)建統(tǒng)一數(shù)據(jù)平臺(tái)，精準(zhǔn)刻畫系統(tǒng)狀態(tài)，為后續(xù)分析提供堅(jiān)實(shí)基礎(chǔ)。大模型推理能力提升聚焦模型性能與可解釋性，優(yōu)化大模型訓(xùn)練與推理流程，

結(jié)合大模型推理能力和領(lǐng)域知識(shí)，提升模型推理效率與準(zhǔn)確性，助力技術(shù)落地。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站運(yùn)維技術(shù)演進(jìn)：

RCA技術(shù)難點(diǎn)端到端因果鏈追蹤基于圖計(jì)算+時(shí)序推理，秒級(jí)定位復(fù)雜故障源頭。人機(jī)協(xié)同演進(jìn)專家經(jīng)驗(yàn)與AI雙向反饋，構(gòu)建自適應(yīng)診斷閉環(huán)。動(dòng)態(tài)閾值自優(yōu)化實(shí)時(shí)環(huán)境感知調(diào)整告警規(guī)則，降低誤報(bào)率。多模態(tài)數(shù)據(jù)融合跨日志、指標(biāo)、拓?fù)涞纳疃汝P(guān)聯(lián)分析，消除數(shù)據(jù)孤島。大模型驅(qū)動(dòng)決策行業(yè)知識(shí)增強(qiáng)的AI模型，實(shí)現(xiàn)可解釋性根因推理。自動(dòng)化修復(fù)閉環(huán)根因定位聯(lián)動(dòng)自愈策略，無縫恢復(fù)業(yè)務(wù)運(yùn)行。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站運(yùn)維技術(shù)演進(jìn)：未來趨勢(shì)基于多智能體的運(yùn)維體系搭建GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站大模型用戶通過多年

AI大模型平臺(tái)建設(shè)和DeepSeek等大模型應(yīng)用爆發(fā)，積累企業(yè)內(nèi)AI用戶超過7000人。服務(wù)調(diào)用基于自研的云原生集群管理和模型服務(wù)調(diào)度，提供穩(wěn)定的智能體后端服務(wù)，日調(diào)用量超過2億次。GPU

集群通過自研eGPU池化技術(shù)和混合云方案，統(tǒng)一納管超過千卡GPU集群進(jìn)行多智能體訓(xùn)練和推理。多智能體系統(tǒng)：順豐多智能體平臺(tái)1000+7000+20000000+動(dòng)態(tài)閾值在多智能體場(chǎng)景下，智能體根據(jù)系統(tǒng)實(shí)時(shí)數(shù)據(jù)和歷史趨勢(shì)，自動(dòng)

調(diào)整監(jiān)控指標(biāo)閾值范圍，適應(yīng)業(yè)

務(wù)波動(dòng)和系統(tǒng)變化，減少誤報(bào)和

漏報(bào)，實(shí)現(xiàn)動(dòng)態(tài)閾值和精準(zhǔn)告

警。根因定位在多智能體場(chǎng)景里，各智能體協(xié)同找出系統(tǒng)故障根本原因。利用因果圖分析等，當(dāng)業(yè)務(wù)指標(biāo)異常時(shí)，快速準(zhǔn)確定位根因，助力運(yùn)維人員及時(shí)修復(fù)，保障系統(tǒng)穩(wěn)定運(yùn)行。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站在多智能體的策略推薦場(chǎng)景中，各智能體依據(jù)系統(tǒng)狀態(tài)、歷史數(shù)據(jù)及業(yè)務(wù)需求，為運(yùn)維決策提供多樣化策略建議，讓運(yùn)維決策更科學(xué)、高效，提升運(yùn)維效率。多智能體系統(tǒng)：順豐多智能體應(yīng)用場(chǎng)景策略推薦GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站多智能體系統(tǒng)：多智能體根因分析整體架構(gòu)通過不同維度的專項(xiàng)設(shè)計(jì)，分階段、按場(chǎng)景實(shí)現(xiàn)基于多智能體的

AIOps

運(yùn)維工具落地。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：多告警根因定位流程GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站在AIOps根因定位系統(tǒng)中，架構(gòu)師Agent作為核心協(xié)調(diào)者，負(fù)責(zé)設(shè)計(jì)系統(tǒng)架構(gòu)并制定整體策略，其他Agent（如告警分析Agent、基礎(chǔ)監(jiān)控

Agent等）在其指導(dǎo)下分工協(xié)作，通過數(shù)據(jù)共享與反饋機(jī)制，共同完成精準(zhǔn)的故障根因定位任務(wù)。多智能體系統(tǒng)：多智能體協(xié)同機(jī)制數(shù)據(jù)庫分析Agent

0506基礎(chǔ)組件Agent基礎(chǔ)監(jiān)控Agent

0304APM鏈路Agent告警分析Agent

0102

云日志Agent架構(gòu)師

Agent大模型落地多場(chǎng)景根因定位系統(tǒng)01中臺(tái)數(shù)據(jù)準(zhǔn)備02運(yùn)維知識(shí)整合03多智能體實(shí)現(xiàn)04

產(chǎn)品工具集成GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：復(fù)雜場(chǎng)景RCA

系統(tǒng)架構(gòu)設(shè)計(jì)目標(biāo)：在生產(chǎn)的故障場(chǎng)景中,可能出現(xiàn)大量的告警和狀態(tài)異常的節(jié)點(diǎn),需要能夠通過算法對(duì)海量告警進(jìn)行收斂,然后根據(jù)告警時(shí)間和依賴關(guān)系找到可疑的異常根因節(jié)點(diǎn)來進(jìn)一步分析。算法方案：1.收集當(dāng)前故障前一段時(shí)間（根據(jù)告警量和運(yùn)維經(jīng)驗(yàn)配置）的所有告警信息,進(jìn)行告警收斂,包括去掉重復(fù)告警以及過濾無意義告警。2.然后使用多維分析算法對(duì)告警節(jié)點(diǎn)進(jìn)行打分排序,包括統(tǒng)計(jì)節(jié)點(diǎn)的告警數(shù)量、使用PageRank算法計(jì)算節(jié)點(diǎn)的拓?fù)渖疃?、以及不同告警到?jié)點(diǎn)的最短路徑長(zhǎng)度信息,通過加權(quán)來計(jì)算可疑得分,然后排序得到

top-n的可疑節(jié)點(diǎn)。3.某一個(gè)節(jié)點(diǎn)可能存在多個(gè)告警信息，因此同樣需要對(duì)告警進(jìn)行收斂，例如基于時(shí)間窗口合并和通過模式匹配合并一些告警，然后再針對(duì)告警進(jìn)行獨(dú)立的分析。4.

通過Union聚合多種告警類型的處理組件，如針對(duì)相同組件的錯(cuò)誤日志分析、基礎(chǔ)監(jiān)控分析等，同時(shí)輸出大模型判斷需要的所有相關(guān)數(shù)據(jù)和總結(jié)，進(jìn)行統(tǒng)一的節(jié)點(diǎn)分析報(bào)告。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：告警收斂和異常節(jié)點(diǎn)篩選GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：告警分析應(yīng)用效果GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：根因定位應(yīng)用效果GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：多模態(tài)大模型集成與人機(jī)協(xié)同使用圖像大模型（VLM）提取基礎(chǔ)監(jiān)控信息使用語音大模型（ASR/TTS）進(jìn)行人機(jī)交互GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因定位系統(tǒng)：

MCP市場(chǎng)與運(yùn)維工具集成?

MCP

Marketplace集成?

AIOps

平臺(tái)集成

MCP

Client?

運(yùn)維MCPServer

開發(fā)系統(tǒng)復(fù)雜性與動(dòng)態(tài)性：系統(tǒng)架構(gòu)復(fù)雜且動(dòng)態(tài)變化頻繁，故障傳播路徑和影響范圍難以預(yù)測(cè)。積累運(yùn)維知識(shí)：將運(yùn)維經(jīng)驗(yàn)轉(zhuǎn)化為可復(fù)用規(guī)則，構(gòu)建知識(shí)庫，提升團(tuán)隊(duì)能力。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站數(shù)據(jù)采集與關(guān)聯(lián)：采集多源異構(gòu)數(shù)據(jù)，確保準(zhǔn)確性、完整性，建立數(shù)據(jù)關(guān)聯(lián)，

形成完整服務(wù)拓?fù)浜驼{(diào)用鏈路。提升運(yùn)維效率：快速定位故障根因，減少排查時(shí)間，加快修復(fù)速度，提升整體運(yùn)維效率。保障業(yè)務(wù)連續(xù)性：及時(shí)發(fā)現(xiàn)解決故

障，避免業(yè)務(wù)中斷，保障企業(yè)運(yùn)營(yíng)和

收益。算法與模型：故障場(chǎng)景復(fù)雜，需選擇優(yōu)化算法，平衡準(zhǔn)確性和性能，避免系統(tǒng)延遲增加。實(shí)時(shí)性要求：故障根因定位需在短時(shí)間內(nèi)完成，對(duì)系統(tǒng)實(shí)時(shí)性要求高。優(yōu)化資源配置：分析故障根因，發(fā)現(xiàn)瓶頸問題，為資源合理分配和優(yōu)化提供依據(jù)。根因定位系統(tǒng)：落地價(jià)值與技術(shù)難點(diǎn)技術(shù)價(jià)值難點(diǎn)落地DeepSeek等大模型優(yōu)化與實(shí)踐利用智能算法，對(duì)系統(tǒng)異常精準(zhǔn)定位，快速找出故障根因，保障系統(tǒng)穩(wěn)定。承載各類大模型服務(wù)和智能體，實(shí)現(xiàn)智能體間的協(xié)作與交互，挖掘運(yùn)維數(shù)據(jù)價(jià)值。執(zhí)行自動(dòng)化運(yùn)維任務(wù)，提升運(yùn)維效率，為上層應(yīng)用提供操作支持。整合各類運(yùn)維數(shù)據(jù)與資源，提供基礎(chǔ)運(yùn)維能力支撐，助力高效運(yùn)維管理。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站大模型優(yōu)化：運(yùn)維體系搭建和大模型集成運(yùn)維中臺(tái)智能體平臺(tái)自動(dòng)化工具根因定位GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站通過

DeepSeek

官方和

PD

分離等優(yōu)化方

案，降低計(jì)算資源消

耗、提升響應(yīng)速度，減少延遲與能耗，支持高并發(fā)實(shí)時(shí)處理，并適配邊緣設(shè)備等低算力場(chǎng)

景，實(shí)現(xiàn)高效低成本部署。通過混合云和自研GPU

池化技術(shù)進(jìn)行部署，讓模型和數(shù)據(jù)存儲(chǔ)在本地，保障數(shù)據(jù)安全與隱私；可根據(jù)自身需求深度定制模型；長(zhǎng)期使用成本低；擁有更高的自主性。大模型優(yōu)化：私有化大模型部署與優(yōu)化私有化部署推理優(yōu)化多智能體協(xié)同通過多Agent的規(guī)劃和協(xié)作，利用全局信息優(yōu)化每個(gè)智能體的輸

出報(bào)告。時(shí)序數(shù)據(jù)分析利用時(shí)序模型捕捉長(zhǎng)周期特征，增強(qiáng)指標(biāo)預(yù)測(cè)與動(dòng)態(tài)閾值校準(zhǔn)精度。多告警收斂大模型通過語義理解聚類關(guān)聯(lián)告警，壓縮冗余噪音，提升告警有

效性。日志分析優(yōu)化基于LLM解析非結(jié)構(gòu)化日志，提取異常模式，實(shí)現(xiàn)精準(zhǔn)分類與根因預(yù)判。GO

PS

全球運(yùn)維大會(huì)暨研運(yùn)數(shù)智化技術(shù)峰會(huì)

2025·深圳站根因節(jié)點(diǎn)溯源結(jié)合知識(shí)圖譜推理服務(wù)拓?fù)湟蕾?，穿透多層調(diào)用鏈鎖定核心故障節(jié)點(diǎn)。大模型優(yōu)化：

DeepSeek與

RCA結(jié)合場(chǎng)景0501030204目前使用私有化部署

DeepSeek

-V3

685B

大模型，通過提示詞優(yōu)化定位準(zhǔn)確率提升36%

以上，推薦準(zhǔn)確率提升50%

以上通過集成運(yùn)維的健康度判斷邏輯和經(jīng)驗(yàn)知識(shí)庫，定位準(zhǔn)確率提升2