跳到主要内容

重新认识APO——DeepSeek带来可观性领域革命

· 阅读需 14 分钟

cover 图

Docker通过封装程序执行类库引爆了云原生技术革命，我们相信在人工智能时代，数据结合经验知识封装而成的Agentic workflow将引爆可观测性革命。

AI驱动的可观测性革命​

APO致力于将AI自治Agents打造为可观测性领域的智能核心，彻底颠覆故障排查、性能调优和根因分析的传统方式。在自治Agents的加持下，可观测性系统不再是被动工具，而是主动解决问题的智能伙伴。当告警触发时，智能体立即接管，自动分析根因并提供解决方案。想象一下，当某个微服务的数据库查询效率低下，自治智能体不仅会立刻通知您，还会奉上详细的故障报告和精准修复建议。您甚至可以用自然语言与它对话，只需问一句："为什么我的应用变慢了？" AI Agents 就会清晰地回答："服务 A 的数据库查询触发了全表扫描，导致延迟激增，建议优化索引。"

1 图 未来完全自治的智能体

AI自治智能体是APO的终极愿景，而在这条革命之路上，Agentic workflow是关键一环，也是APO新发布的核心功能，它让可观测性实现了第一步质的飞跃。

Agentic workflow（工作流）：你的经验，Agents的灵魂​

通用LLM虽然强大，但它们缺乏IT领域的垂直专业知识。IT系统错综复杂且千差万别，不同系统间差异巨大，仅靠通用知识难以应对实际运维挑战。

APO的突破性创新在于将"专有经验知识"——也就是你的运维智慧——注入智能体的核心。普通智能体只会按照自己预设的逻辑行事，完全忽视你多年积累的宝贵经验。而APO彻底改变了这一点，让你通过构建Agentic workflow，将专业知识直接输入系统，成为智能体决策的核心驱动力。

想象您团队中有位经验丰富的老运维李工，每次系统出现问题，他总能快速找到根因—因为他积累了丰富的经验。但当李工休假时，其他人却要花上数倍时间处理同样的问题。APO Agentic workflow就像把李工的经验数字化，让每个人都能像他一样高效解决问题。

APO已经预定义了多种场景的工作流，让您立即体验智能运维的威力：

  • 告警智能分析：当数据库CPU突然飙升时，传统告警只会发出"CPU使用率超过90%"的简单通知。而APO会立即启动分析工作流，自动收集关联的SQL查询、连接数、I/O等信息，识别出"这是因为新上线的用户注册接口缺少索引导致的全表扫描"，甚至直接给出优化SQL的建议
  • 自动化运维巡检：周一早上，您不再需要一个个检查周末系统运行状况。APO会自动执行巡检工作流，检查所有服务的健康状态、资源使用趋势、异常日志，生成一份简明扼要的周末系统报告："发现用户服务在周日凌晨出现三次短暂CPU峰值，但未影响用户体验；预测存储空间将在14天内达到警戒值，建议本周四前扩容。"
  • 复杂故障快速诊断：面对"用户偶发性登录失败"这类复杂问题，传统方法需要团队协作、逐个排查可能原因。而APO工作流会系统性地收集证据：先检查用户服务本身，发现无异常；接着检查依赖服务，发现认证服务有偶发超时；继续追踪发现是特定网络路径在高峰期丢包率增高。整个诊断过程从原本的数小时缩短至数分钟

2 图 开箱即用的面向问题解决的Agentic workflow

每个系统环境都有其独特性，预设工作流无法覆盖所有场景。因此，APO专为可观测性领域打造了工作流编排平台。该平台基于最流行和最易用的通用AI工具Dify打造，APO基于可观测性领域存在大量多模型数据的特点，为用户提供了一系列可直接拖拽使用的数据查询和异常检测工具，任何人都能够轻松地在这个平台上将自己的经验固化为工作流，为后续实现自治Agents奠定基础。

3 图 基于Dify专为可观测性领域打造的平台

例如，您有一套自己总结的"数据库性能问题排查十步法"，只需通过直观的可视化界面将这些步骤拖拽组合，添加判断条件“如果慢查询超过10条，则收集索引使用情况"，再让大模型根据实际情况决策下一步执行流程，这样就能将您的专业知识转化为自动化工作流。

APO预设的工作流同样基于该平台构建，每个工作流都能够根据实际的场景进行修改，让工作流真正融入到工作的流程中。

有了工作流，李工的年底休假计划再也不会引起团队恐慌，因为他的经验已经被编排成工作流，成为了APO智能体的一部分，24x7为团队服务。随着工作流的不断积累和优化，您实际上是在培养一个越来越了解您系统的AI助手，它会成为您团队中最可靠的"成员"。

数据基石：为智能体提供坚实支撑​

Agentic workflow的核心能力依赖于对数据的有效利用。当前，可观测性数据主要包括指标、日志和链路追踪三大支柱，持续剖析火焰图等新兴数据也逐渐成为主流。然而，这些数据结构多样、体量庞大，直接输入通用LLM既低效又受限于上下文窗口，难以发挥最佳效果。因此，APO设计了专为LLM优化的数据平面，从以下两个维度构建：

  • 横向视角：就像一张智能地图，直观展示整个系统的服务关系和健康状态。例如，当订单服务出现延迟，您能立即看到是哪个依赖服务出现问题——支付服务响应时间异常，上面标红提示
  • 纵向关联：系统自动将不同层面的数据关联起来。当您点击异常的支付服务，能一目了然地看到它运行在哪个容器、哪个节点、使用了哪些资源、有哪些日志异常、哪些API调用超时——所有信息一键可得，不再需要在多个系统间来回切换

数据基石的横向设计让AI Agents能够迅速获取系统全貌，立即锁定异常组件；纵向设计则使其能够沿着问题线索深入挖掘，追溯到根本原因。例如，当检测到服务延迟时，AI Agents可通过横向视图确定问题服务，再利用纵向数据追踪具体原因，从容器到主机，从应用到中间件，层层剖析，直达问题核心。

APO提供内置采集工具，能够通过一键安装部署构建以上数据平面。对于已经使用了其他采集工具的用户，APO同样支持无缝对接现有数据源，用户无需改造系统即可使用这一革命性数据平面。这一创新设计为智能体提供了高效、结构化的数据基础，让AI能够真正理解系统行为并做出精准决策。

4 图

生态建设：让智能体持续进化​

在融合大语言模型、数据基石和专有知识后，APO迈出了实现其愿景的关键一步。APO深知，系统的可观测性越丰富，智能体的能力就越强。然而，现有数据往往无法覆盖所有盲区，预设的工作流也难以应对复杂的运维场景。为此，APO打造了一个开放协作的生态系统，聚焦于数据生态和工作流生态两大核心，助力AI Agents适应多样化环境并持续进化。

数据生态：多元数据协同​

作为一个开源项目，APO构建了一个开放平台。故障排查需要有很多维度的数据、这个平台支持厂商或者专家无缝提供各类新数据，丰富智能体的可观测资源。这些数据会被整合成自然语言描述的查询工具，为智能体提供故障排查和性能优化的有力支持。

对于专有数据，厂商或者专家还可将其领域知识嵌入特定工作流中。用户使用这些工作流时，能直接体验数据的价值，无需额外学习或积累经验。例如厂商云观秋毫提供了基于eBPF实现的北极星指标和故障排查工作流，龙蜥社区系统运维SIG提供SysOM的CPU& GPU持续剖析大规模数据、AI火焰图分析。

5 图

Agentic workflow工作流生态：群智共享​

APO的Agentic workflow工作流生态可以方便汇聚群体智慧：

  • 工作流的本质：专家的独有智慧与经验，通过workflow和LLM节点变成可以重复执行的智能体
  • 经验共享：专家可以分享其智慧与经验，以供其他人使用，比通过博客文章分享更有利于其他用户使用
  • 群体智慧逼近AI自治智能体：随着不同场景的工作流越来越多，当各种故障场景都能有工作流覆盖，完全自治的智能体就不远了

分享与协作，每个用户都能享受到最先进的可观测性智能体。

携手共创智能运维未来​

APO以AI之力、社区之能，致力于彻底革新可观测性领域。我们坚信，开放协作将加速智能体的实现，让运维工作彻底摆脱繁琐和低效，进入全新的智能时代。无论您是数据提供者、运维专家还是技术爱好者，APO诚邀您加入这场变革，共同塑造可观测性智能体的未来！

现在，就从体验APO的Agentic workflow开始，迈出智能运维的第一步吧！

6 图