01.大模型在運維領域的 “萬能濾鏡” 正在褪色
2025 年初，隨著DeepSeek的爆火，市場的熱度達到了“瘋狂”的程度，大模型被神化，無所不能，某巨頭的大模型一體機賣爆了。但經過一段時間的實際使用和反饋后，用戶也開始逐漸降溫冷靜下來，發現一些更加真實的事實：
“不知道大模型能干什么？”
“不知道大模型能夠在哪些場景達到什么樣的效果？”
“為什么私有化部署大模型之后發現，跟網上的DeepSeek差距那么大？”
“為什么“投喂”了大量知識之后，大模型的表現還是不符合預期？”
如果這樣都不理想，怎么能夠應用到準確性要求如此高且環境極其復雜的運維場景中。
02.大模型能夠在運維領域做什么？
1）看一下我們以前在做什么
- 傳統工作方式：預制既定規則，應對復雜場景。
- 存在的問題：實際情況往往復雜多變，預制的規則難以全面適配，導致最終效果不佳（復雜場景的適配率極低）。此外，規則的條件通常僅能覆蓋少量固定場景。
2）大模型的加持下
- 大模型工作方式：大模型的工作方式是由其負責規則的判斷與調度，同時結合運維人員的專業經驗進行分析和引導。這種方式不僅拓寬了場景的適用范圍，還顯著提高了復雜場景的適配率。
在運維工作的演進歷程中，我們曾經依賴預制的既定規則來應對復雜場景。這種方式在理論上似乎能夠有條不紊地處理各類問題，但在實際操作中，卻面臨著諸多挑戰。實際情況往往是錯綜復雜、千變萬化的，預制的規則很難做到全面適配。由于規則的條件通常只能支撐小部分固定場景，這就導致在復雜場景下的適配率極低，最終的運維效果也不盡如人意。
隨著大模型技術的發展與應用，運維工作迎來了新的變革機遇。在大模型的加持下，規則的判斷與調度由大模型來承擔，并結合運維人員的專業知識與經驗，進行深入的分析與引導。這種方式顯著地擴大了場景的適用范圍，提高了復雜場景下的適配率（當然不可能達到極高準確率）。盡管它已經為運維工作帶來了顯著的提升，但在實際處理過程中，依舊無法做到“替代”運維的存在。
正如前文所述，AI與運維的深度融合需要扎實的基座支撐。嘉為藍鯨WeOps智能運維平臺與AI深度融合，將為企業構建智能、高效、可持續發展的運維生態體系，助力企業數字化轉型升級。
3）結論
（1）不要妄想AI代替運維，而是提高運維同學的效率和降低出錯風險
AI 在運維中更重要的作用是提高運維同學的工作效率，并降低出錯的風險。運維工作需要專業知識、經驗判斷和應急處理能力，而 AI 目前尚無法完全替代這些人類技能。AI 可以作為輔助工具，幫助運維人員更快速、準確地處理問題，而不是取而代之。
（2）大模型當前的作用是放大自動化運維的成效，而不能跨越運維建設的階段
自動化運維是一個逐步發展的過程，從簡單的任務自動化到復雜的系統集成，需要逐步積累和完善。大模型的應用可以進一步提升自動化運維的效果，但不能跳過必要的建設階段，直接實現理想化的運維模式。
（3）大模型在運維領域落地邏輯與自動化運維階段一致，先標準化、再自動化，才到智能化
在引入大模型之前，運維工作需要先實現標準化，將各項流程和操作進行規范和統一；在此基礎上，逐步實現自動化，通過腳本和工具來代替人工操作；最后，借助大模型等智能化技術，實現更高級的智能運維。
03.大模型落地運維場景三階段建議
1）階段一：標準化
- 關鍵動作：統一監控指標、規范操作流程、建立 CMDB 資產庫。
- 成果度量：數據完整率提升至 90%+，為 AI 提供可用輸入。
- 場景應用：私域問答-CMDB、監控等數據的查詢，問題的咨詢，變更規章的咨詢等。
2）階段二：自動化
- 關鍵動作：定義重復執行的原子操作，提供給大模型調度（Tools），形成各種細分領域的智能體。
- 風險描述：極度依賴上一個環節的數據質量，數據不對，會導致執行變形，進而引發難以估量的后果，例如，當 A 系統執行自動清理日志時，由于 CMDB 中系統與機器的關聯關系錯誤，導致誤刪了 B 系統的日志。
- 場景應用：智能提單-機器人自動總結前輪對話，推演提單內容，自動調用工單系統，實現自動提單。日志智能分析聚類-通過將大量日志數據分組為多個類別，幫助管理員發現異常行為、識別關鍵日志，提升日志的可讀性和管理性。
3）階段三：智能引導
- 描述：以私域知識和智能體建設為基礎，通過給予劇本，對系統操作進行智能引導，實現智能體與業務系統完成深度的智能化聯動。
04.總結
智能運維的本質，是以 AI 技術驅動運維體系的加速進化，而非對現有架構進行顛覆性變革。在推進智能運維落地的過程中，合理把控節奏至關重要，以下是幾點建議：
1）先理后動
首先聚焦于全面梳理業務場景，深度洞察運維流程中的痛點與需求，確保 AI 技術的引入緊密貼合實際業務，堅決避免盲目跟風、為用 AI 而用 AI 的情況。
2）小步快跑
采用試點項目的方式，以小規模、低風險的實踐驗證 AI 在運維中的價值。通過對試點結果的及時分析與總結，逐步擴大應用范圍，有效控制試錯成本。
3）人機協同
構建 AI 輔助決策機制，讓 AI 技術充分發揮數據處理與分析的優勢，為運維決策提供智能支持。同時，在關鍵操作環節保留人工復核，利用人的專業經驗與判斷力，保障運維工作的準確性與可靠性。
