我们的分析智能体经历了三个阶段，第一个阶段是按照我们的编排获取数据，分析数据，做出推理。在这个阶段里，我们为了避免僵化使用了搜索知识图谱，也就是说，AI推理所使用的数据不是固定的，而是根据不同的场景，在知识图谱中获得的动态组合。这种方法比传统的依靠过程化规则判断的要好了很多，不过还不够好。

　　在第一阶段的实践中，我们发现AI经常因为缺少某个数据而产生了大量不必要的推测。用户觉得为什么要遗留那么多可能让他们去确认。于是我们在这个方法上做了一个补丁，如果发现某个问题不确认，了解了确认这个问题需要什么数据，就利用MCP tools去补充数据，再次分析。这个框架解决了第一阶段的问题，在用户那边获得了好评。

　　不过我们的探索并没有停止，随着AI能力的提升，我们觉得是时候给AI放开手脚，让它自主决策了。我们是在3月份开始这项探索的，启动这项探索是因为我们的第三代知识图谱初具规模，与第二代知识图谱不同的是，这个图谱中不仅仅拥有基于专家经验的核心数据（大概6万多个节点），还包含了各种数据库的基础知识（来源于官方文档、专家博客等），数据节点数量超过了180万个，关系边超过了1000万条。基于这个全面的知识，我们尝试让AI获得了一条命令后，自主识别语义，自主决定工作方案，自主获取数据和知识。

　　在新的智能体框架里，人仅仅通过skills提供分析问题所需的背景知识与分析原理，任务制定，工作流分解均由AI根据工作指南自行开展。在实验刚开始的时候，我们就发现了AI获得了自由之后，其能力一下子爆发了，分析问题的准确性、深入下钻的能力都不是以前的智能体框架能做到的。不过智能体自主工作之后，也暴露出了我们工具链的不足，于是我们给智能体补充了大量的工具，完善了它的手脚。

　　新的智能体框架不仅仅带来了分析能力的极大提升，还加速了新功能的开发。开发一个新功能，几乎可以通过与智能体对话自动完成，把你的想法和核心分析算法告诉智能体，智能体自动就能把你所需要的skills和知识开发出来了。用AI去生成更高水平的AI，才是一种正确的螺旋式上升的闭环。

　　这两天我们尝试把Oracle AWR报告分析用新的智能体框架来实现。这个分析框架以前是基于专家定制的工作流，进行总体分析，问题发现，问题下钻，问题汇总，最后生成报告的。智能体只能按照定制好的流程去完成一个复杂的，可能需要十分钟的分析过程。给智能体放开手脚之后，我们仅仅把分析所需的知识交给了智能体，让智能体参考专家分析的方法和思路，自主完成分析。

　　最终的效果十分令人激动，在根因定位的细节上，AI自主分析的效果远远超出了基于专家规则的流程编排的效果。而我们测试使用的大模型仅仅是deepseek-v4-flash，原来的工具，即使使用GPT-5.6，也无法达到这个效果。

　　经过最近的实践，我们发现了突破人的禁锢是将AIOPS的能力上限再推进一层的关键。我们的实验室还在进行一项更为激进的是实验，就是让AI彻底接管数据库的监控运维，我和一些客户谈到我们的这个实验的时候，一部分客户特别兴奋，他们认为未来的AIOPS必然是这样的。不过也有一些用户比较担心，出了问题怎么办？实际上这个担心可能也是阶段性的，90年代初我个一个客户上系统的时候，就有一些老专家问我，电脑出了错，算我们的还是算你们的？