12-钱誉-Ai Agent在运维体系中的探索与实践.pdf

《12-钱誉-Ai Agent在运维体系中的探索与实践.pdf》由会员分享，可在线阅读，更多相关《12-钱誉-Ai Agent在运维体系中的探索与实践.pdf（13页珍藏版）》请在三个皮匠报告上搜索。

1、Ai Agent在运维体系中的探索与实践钱誉Zenlayer GFS Monitoring Automation 负责人大纲 Zenlayer在运维体系中对Copilot&Agent理解 Zenlayer在私域数据尝试：FT or RAG(Baseline&Graph)场景实现案例 实践预期 未来展望Zenalyer在运维体系中对Copilot&Agent理解传统的 AIOps 在异常检测和根因分析上严重依赖于标注数据，这限制了算法的泛化能力，因为它们需要在有监督的环境下进行训练。而大语言模型能够学习更多的通用知识，减少对标注数据的依赖，从而降低训练成本。运维团队积累的专家经验很难编码到算法模

2、型中。通常，这些经验会被简化为阈值或复杂的规则，不仅难以维护，也难以传承。Copilot&Agent通过大语言模型，将专家经验转化为模型可以理解和推理的形式，从而提升了故障处理的能力。传统 AIOps 的接入和维护成本较高，需要业务和算法团队深入理解业务逻辑和算法模型。此外，私域数据的处理和定制化开发也增加了成本。Copilot&Agent 框架采用集成学习的概念，通过模块化设计，使得系统能够像搭积木一样动态编排。在传统 AIOps 中，未遇到过的故障很难被解决，因为它们超出了模型的训练范围。大语言模型展现出了强大的推理能力，能够基于通用知识和训练中学到的关键字，推断出未知故障的性质，即使没有

3、相似的训练数据。传统的 AIOps 解决方案需要用户理解模型并精确地传递参数，而 Copilot&Agent框架支持自然语言交互，使得非技术用户也能轻松地与系统交互，提高了用户体验，并有潜力开放给更广泛的用户群体Zenlayer在私域数据的尝试：FT or RAG(Baseline&Graph)OneKE/DeepKE：对高度碎片化，非结构化，的信息进行抽取，构建一个高质量的知识图谱并建立知识要素间的逻辑关系，实现可解释的推理决策并提升稳定性1.RE（Relation Extraction）-关系抽取。这是一个任务，旨在从文本中识别实体之间的关系。例如，从句子“北京是中华人民共和国的首都”中，

4、抽取“北京”与“中华人民共和国”之间的“是首都”的关系。2.NER（Named Entity Recognition）-命名实体识别。这个任务的目标是从文本中识别出具有特定意义的实体，如人名、地名、组织机构名等。例如，在句子“约翰史密斯在纽约工作”中，识别出“约翰史密斯”和“纽约”分别为人名和地名。3.EE（Event Extraction）-事件抽取。这个任务是从文本中抽取事件信息，包括事件类型、触发词、参与实体以及它们的角色。例如，从句子“苹果公司昨天宣布了新产品”中，抽取事件类型为“产品发布”，触发词为“宣布”，参与实体为“苹果公司”，角色为“发布者”。4.EET（Event Entit

5、y Type）-事件实体类型。这可能是指在事件抽取中，识别参与事件的实体的类型，如上述例子中的“苹果公司”被识别为“公司”这一实体类型。5.EEA（Event Entity Argument）-事件实体论元。这涉及到事件抽取中的更深层次分析，即识别实体在事件中扮演的具体角色。例如，在“苹果公司昨天宣布了新产品”中，“新产品”被识别为“对象”这一论元。6.KG（Knowledge Graph）-知识图谱。知识图谱是一种以图的形式表示实体及其关系的数据结构，能够帮助理解复杂的实体关系网络。在NLP中，构建或完善知识图谱通常涉及从文本中抽取实体和关系信息。Zenlayer在私域数据的尝试：FT or

6、 RAG(Baseline&Graph)Neo4J：结构化知识表示：通过图结构来表示知识，GraphRAG可以更好地理解和利用知识之间的关系，这对于运维场景中理解复杂的系统架构和故障传播路径非常有帮助。增强推理能力：基于图的结构，模型可以进行更复杂的推理，比如在运维场景中预测故障的影响范围或推荐解决方案 当今的 RAG 应用中，从大型文本语料库中检索准确且具有上下文信息的能力至关重要。传统的向量相似性搜索方法虽然功能强大，但有时会在嵌入较长的文本时忽略特定的上下文。通过将较长的文档拆分为较小的向量并对其进行相似性索引，我们可以提高检索准确率，同时保留父文