这波AI浪潮从Deepseek横空出世，已经火爆了快两年了，AI给软件开发带来的冲击大家都已经深刻感受到了，大家都认可软件开发领域的革命浪潮已经不可阻挡了。

　　不过在AIOPS领域，目前大家虽然期待较高，但是实际落地的成功案例还是不多的。我见到周边的很多客户都在写skills，建运维智能体。DEMO做得也让领导很兴奋，但是实际落地的效果就差强人意了。实际上数据库运维智能体只是一个DEMO还是真的能上生产，取决于几个细节问题的解决。

　　首先是连续下钻能力是否足够，在做AIOPS的朋友可能都有共同的感受，随着智能体框架的能力提升，特别是大模型能力的快速提升，单次分析的能力已经越来越强了，只要方法用对了，数据给对了，单次问答八九不离十，虽然在准度上还有差距，不过大部分都还是能过及格线的。目前唯一的问题是，一次问答不一定能解决所有的问题，复杂些的问题还是需要下钻分析的。而一次性问答就能获得稳定答案的场景大多数用人干也能干得不错，需要下钻分析的复杂问题才是客户真正急迫需要AI来辅助解决的。因此AIOPS需要的首要能力是高质量的连续下钻能力。不管这种下钻是全自动的还是在人工辅助下进行的，只要能够稳定地连续下钻，就具备了在生产中真正发挥作用的基础能力了。

　　其次是细节上的准度是否过关，在一些大方向上，AI是能够给出相当靠谱的分析的，不过对于AIOPS场景而言，如果要达到可辅助操作，甚至是操作层面，准度极为重要。比如要修改某个参数，那么这个参数的名称，值域，修改命令，是否需要重启等关键元素是否能够让AI准确地找到，并应用于运维操作之中就十分关键了。有朋友觉得这个问题不是很简单吗，把各种数据库的参数描述找到，然后喂给大模型不就行了。有这种“认为”的朋友可能没有亲身实践过，自己做过才知道其中的难度。国产数据库目前还处于不成熟的阶段，版本变更频繁，多版本并存现象严重，甚至还存在某些行业特殊版本。这样导致参数的版本特别多，而且很多版本之间只有十分细微的差别，这些差别人很难感知到，因此想把这些梳理好，也并非易事。再加上国产数据库的官方文档中存在的错误，漏记参数等问题，将会导致整个工作做起来并不容易。再加上一些隐含参数是没有公开资料介绍的，必须依靠人去收集，这就更增加了这项工作的难度。这些都是细节上的问题，不过这些细节是成败的关键。

　　第三是稳定性的问题，一个问题，如果多次通过智能体去分析，分析得到的结果是稳定的，我们才敢让它上生产，哪怕100次中只有一次存在偏差，而偏差是无法容忍的，那么这个功能是无法真正上生产的。解决稳定性问题也是AIOPS能从DEMO变成实战工具的关键。影响稳定性的因素特别多，模型本身的能力问题，模型对数据连接的偏差，ReACT召回知识的不同，一个概率计算上的差异，都是会影响稳定性的。如何让智能体不跑偏，稳定地实现运维目标，是考验智能体能从demo转正的最关键的一环。我们团队目前正在研究通过软锚点技术，让智能体在分析过程中的稳定性保持在一个可接受的范围内，这方面的成果将会发表在我们团队的下一篇论文里。

　　AIOPS经过了去年的火爆，到现在大家更加理性地看待这个问题，似乎进展没有AI CODING那么快，不过在这个更具有挑战性，也更有价值的垂直领域，大家目前的热情依然十分高涨。AI技术的发展也相当迅速，上面的几个问题的解决也只是时间问题，现在所有的在AIOPS上的投入都是未来成功的基础，我还是很看好AIOPS的落地前景的。