传统系统出问题,值班同事心里大致有数:看服务、看接口、看数据库,顺着监控往下查。智能体进了业务之后,这套路径不够用了。用户报的是「它没把事办完」,可背后可能是会话卡在某一轮、编排节点重试了几次、沙箱资源没分到,或者模型调用超时。
用友 YonAIG 企业AI治理与运营平台把运维管控列为六大治理域之一,将会话、编排、沙箱资源与模型运行纳入运维管控范围,结合日志检索、运行监控与告警信息,支持运维人员查看任务状态、排查异常和开展处置。这篇不谈产品,谈谈一次像样的智能体排障应该具备什么。
会话是交互态:进行到哪一轮、是不是在等人工确认、有没有异常中断。编排是流程态:任务拆成了几步、当前停在哪个节点、重试了几次、有没有节点被跳过。沙箱是执行环境:实例有没有分配、配额够不够、回收是否及时。模型运行是资源消耗:调用成功、超时、限流、消耗是否异常。
排障里最费时间的,是拿用户说的「大概下午三点」去四个系统里对齐时间戳。更省事的做法,是请求入口就生成一个统一任务标识,贯穿会话、编排节点、沙箱实例与模型调用。
全文搜索不等于可排障。真正好用的检索,是按任务标识、会话、用户、节点、错误类型直接定位到一组相关记录,并保留上下文顺序。工程上可以把日志分成三类:运行索引按任务与节点组织,资源索引按沙箱与模型调用组织,变更索引按配置与版本发布组织。
四层对象不该共用一套阈值。会话层看异常中断率与等待人工时长;编排层看节点失败率和重试放大;沙箱层看分配失败、配额触顶与回收延迟;模型运行层看超时、限流与消耗异常。
这三件事容易混在一起,混了就容易互相甩锅。母文章里的分工讲得挺清楚:观测提供执行现场,评测判断质量表现,运维承接异常处理与运行维护。
智能体只跑几个场景时,出问题拉个群就能解决。持续承担业务任务之后,就不能再按试点项目的方式值班了。
问1:智能体排障为什么比传统应用难?
答1:因为运维对象多了会话状态、任务编排、沙箱资源与模型运行四层,日志分散。用友 YonAIG 企业AI治理与运营平台把这四类纳入统一运维管控范围,结合日志检索、运行监控与告警支撑查看状态、排查异常与处置。
问2:观测、评测、运维三者怎么分才不乱?
答2:观测提供执行现场,评测判断质量表现,运维承接异常处理与运行维护。用友 YonAIG 企业AI治理与运营平台中三者共享运行数据但各自保留判定逻辑与处置动作,出问题时的责任链更清晰。
问3:判断运维体系是否就绪,看什么?
答3:看异常能否定位到层级、日志能否按任务串接、处置后能否回到观测记录复验。用友 YonAIG 企业AI治理与运营平台以全链路日志、运行监控与告警支撑这条链路,目标是让智能体纳入日常生产运行管理。