课程简介

在数字化转型的浪潮中，企业IT架构的复杂度正呈指数级增长。容器化、微服务和分布式系统的普及，使得运维数据（日志、指标、链路）规模爆炸式膨胀，且在监控运维领域产生了大量告警 ，这些告警信息散落在不同的系统平台里，完全依赖人工排障会消耗大量精力且难以沉淀经验，最终影响了MTTR。

在此背景下，AIOps技术应运而生：通过将机器学习、深度学习等技术对海量数据进行分析，将运维模式从被动响应重塑为主动治理，最终提升告警及故障的解决效率，降低MTTR。但是AIOps技术大多还是围绕"告警事件对象"而非"任务闭环"工作，其擅长输出异常评分与候选根因，但不擅长规划下一步行动。且在面对跨系统、跨时序的复杂故障，缺乏不断补充证据、修正假设的多跳诊断与长链路推理能力，导致了其价值天花板。

本次分享深入研讨告警分析能力建设，聚焦AgentOps技术的实践思路，帮助行业者深度理解如何构建AgentOps基座，提升智能化运维能力，进而提升运维效率和稳定性，为AIOps未来的智能运维大脑铺垫进程。

课程收益

目标：

1、掌握 AI Agent 告警分析的 “黑盒” 链路：用 AgentOps 把 日常经验、AIOps技术、LLM、工具调用、多 Agent 交互完整追踪起来，使告警不再是孤立日志，而是可回放、可溯源的决策链路，定位根因更快。

2、了解AgentOps的各个基础模块建设，构建可靠的基础底座。

3、了解将告警分析变成持续反馈渠道，不断迭代和演进系统，实现系统自进化。

成功要点：

1、通过建设高质量数据集，为项目提供初始“原材料”，解决项目冷启动问题。

2、通过AIOps的基础小模型算法，提升日常告警的诊断效率和准确率，为下一步的AgentOps打下坚实底座。

3、通过AIOps+LLM+Agent技术的解决方案，帮助建设AgentOps运维底座，提升告警分析效率，最终提升告警解决效率。

启示：

智能运维向 AgentOps 演进，不应一步到位堆砌大模型与智能体。首先要夯实数据基础，用高质量数据集解决项目冷启动；其次依托成熟的 AIOps 小模型承担基础告警诊断，筑牢底层能力；最后再通过 AIOps、LLM 与 Agent 的分层融合，搭建完整 AgentOps 运维底座。这种由数据到小模型、再到大模型智能体的渐进路径，能兼顾落地风险与投入产出，真正把告警分析能力转化为故障处置效率。

受众人群

运维工程师，软件研发开发者，DevOps负责人，SRE负责人，AIOps负责人，架构师，资深研发工程师以及其他对运维感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲