AI-Native时代,运维新范式——AIOps从"能用"走向"共创"。2026年腾讯全球数字生态大会已于10月29日-30日在深圳举行。本届大会以"群智协同 数动飞轮:激发全场景生产力"为主题,通过1场主峰会、1场国际出海峰会、40+主题专场,以及100+AI产品发布、500+Agent实践案例、7000㎡沉浸式展区,全面呈现智能体进入企业生产流程的实践路径。腾讯云可观测平台作为《AIOps智能运维专场》的承办方之一,分享了对AIOps的深度解读,并正式发布CloudQ AIOps共创计划。
可观测,是AIOps落地的前提
腾讯云技术服务副总裁徐勇州在开场致辞中,把今天的专场概括为三件事:定调、印证、邀约——看清AIOps行业走到了哪一步、尺子和边界在哪里;请客户和行业专家分享AIOps在真实业务场景里的落地实践;正式发布AIOps共创计划。他给出一句判断:AIOps已经切切实实从概念走到了"能用"阶段。AI用量正在爆发式增长,企业的关注点早已不是"有没有用上AI",而是AIOps能不能读懂复杂架构、承接海量告警、打通全流程、沉淀运维经验,真正把运维人员从救火中解放出来。徐勇州特别点到了可观测在这轮浪潮里的位置:大家真正把AI用起来的场景,正是可观测、问题定位、发布任务编排这些具体工作。加上腾讯云可观测的能力,我们可以让客户整个运营运维的场景"看得全、看得深",再在这个基础上运用AI的能力去查问题、定位问题。在他看来,可观测是AIOps的地基:只有先"看得全、看得深",AI才有足够的数据和上下文去做判断。腾讯云把这些能力统一收敛到WorkBuddy一个入口上,再协同三款领域智能体——CloudQ管多云AIOps、MigrateQ管上云迁移、安能Q管售后支持,内部谐音称作"3Q"。徐勇州同时强调了一个边界:运维是所有智能体里"最不能出错"的链路。定位问题错了可以重新定位,但运维操作一旦出错,生产系统可能直接中断。因此,在关键执行环节必须设计授权门控,由人工确认——这也是CloudQ的产品理念,与云上Agent基准度量模型(从功能、安全、可靠、体验、效率、成本六个维度度量Agent能力)的要求一脉相承。用AI管运维,用可观测管AI
腾讯云可观测产品中心负责人王国梁带来了《AIOps的双向命题:用AI管运维,用可观测管AI》的主题分享。他先抛出一个判断:AI时代,可观测不是变得不重要了,反而要承担更重要的角色。过去,指标、日志、Trace被做成大盘给工程师看;现在,Agent也要使用这些数据,它需要的不仅是"一张图",还要知道这是哪个服务、和谁有关系、谁是负责人、刚刚发生了什么变化。交付物也在变:客户不再满足于看到"一条异常曲线",而是想知道影响了什么业务、有哪些可能原因、下一步该怎么做。观测对象也在变:不只是主机和应用,还有模型的调用、工具的执行、多个Agent之间的协作。数据必须可靠、工程方法必须扎实、责任边界必须清晰——这三件事,在AI时代反而更重要。就像自动驾驶,驾驶员从人变成了系统,但摄像头、雷达和交通规则不是不需要了,而是要求更高了。基于此,腾讯云可观测沿着两个方向展开:- 用AI管运维——让AI不仅帮我们写查询语句,还能参与告警排查、跨产品取证、巡检治理,逐步走向受控的自主执行。AI工作台、SRE数字分身、WorkBuddy中的可观测能力,承担的就是这类工作。
- 用可观测管AI——当企业规模化使用Agent时,把模型能力、Token、工具调用、任务质量放在一起看。
在具体场景上,他举例:当一个订单页面变慢,AI工作台直接调用可观测Skill逐跳验证——CDN命中率99.2%、无500报错,负载均衡和网关正常,计算层CPU升高到96%、请求耗时1.8秒,数据库无异常。这时AI不会只告诉你"CPU高了",而是沿着调用链继续挖掘原因,最终交给工程师的是三类内容——证据、影响面、下一步动作。两句话总结:用AI管运维,让重复的排查变成有证据的智能协作;用可观测管AI,让黑盒的体验变得可追踪、可分析、可验证。多云 AIOps 实践
一位来自大型赛事机构的客户,分享了多云混合架构下的可观测实践。这家机构过去一年多,用腾讯云从零搭起了一套支撑内地业务的mission-critical系统——80多个账号、150台服务器、三个可用区,承载其核心小程序业务与互动体验。[color=rgba(0, 0, 0, 0.9)]在接入腾讯云之前,它已经在用友商云、公有云、私有云和自有数据中心,是一套典型的多云混合架构。数据分散在不同云、语义不统一,运维团队常常"看不全",这正是它最想解决的问题。 [color=rgba(0, 0, 0, 0.9)]这套实践被总结成一套可观测方法论: 看得见、看得全、信得过、自动化Anson沈分享了赛马会在腾讯云上沉淀的一套可观测方法论:看得见——从业务视角把各层可观测数据收全。他特别强调,光看服务器CPU、计算存储网络"远远不够",必须把云的监控、容器层、APM、RUM这些层面的数据全部纳入。AI放大你的能力,也放大了你的不足。AI工程效果的前提是数据工程——Garbage in, Garbage out。如果可观测的地基打得差,AI再聪明也会做出错误的判断。看得全——把80多个账号的日志统一汇总到一个账号再分发;同时采用Prometheus、OpenTelemetry等开源标准,保证跨云、跨友商、跨本地数据中心的语义一致。用他的话说,这个centralized logging方案是和腾讯一起打磨出来的。信得过——上线前的压测,通过可观测看清系统的behavior拐点:不是等系统崩溃才知道极限,而是当系统行为发生指数级变化时,那个拐点就是业务运作的极限。同时,他把AI分析工具从Copilot换成了原厂WorkBuddy——"原厂工具对腾讯产品、API的理解要好很多"。 自动化——他把AI带来的变化总结为"Just in time software":过去分析一个复 杂故障,放50个工程师进去也要两个礼拜才能归因;现在可能2到5分钟就有了。
三个正在落地的场景是:- 智能巡检:看趋势,而不只是看故障——今天的行为和上周比、这次赛事和上次赛事比,用户增长后指标是线性还是指数型变化;
- 复杂问题分析:把整条业务链路的context交给AI,做好数据权限和清理;
- 告警降噪:赛马会有300多个系统,大incident时告警噪声极大,AI能先做预审定位,并持续优化噪声。
嘉宾最后回到开场的问题:一场大型活动,几万用户要在短时间内集中登录、购买、互动——"你们准备好了吗?"答案是三层:业务实质(整条链路需要哪些应用、部署在哪些基础设施上)、数据收集(链路的可观测数据是否足够、是否收好了)、责任分工(AI能不能做好triage分流,帮人快速抓到责任分工)。一条清晰的逻辑链:可观测把数据收全、打通语义,AI才有context去巡检、归因、降噪,人才能高效地"准备好"。游戏行业的AIOps实践
[color=rgba(0, 0, 0, 0.9)]游戏行业的一位客户,分享了三年的AIOps实践之路。团队最早的想法很激进——"人干的全部让AI干",跑起来后发现完全不可控,于是重新分层:需求识别交给Agent,生产操作前置"护城河"(MCP+沙箱验证),影响收入的核心链路操作保留人工确认。 [color=rgba(0, 0, 0, 0.9)]一个让人印象深刻的发现是:过去以为自动化率超过90%,重新盘完后发现,工具自动化率虽高,但前置仍有近40%的活需要人参与。
圆桌:从人工运维到智能驱动
圆桌由腾讯云架构师同盟理事张观石主持,金蝶产品运维部总经理陶涛、荣耀云与AI基础设施平台部运维总监汪自强,以及腾讯云CloudQ负责人徐小川、腾讯云可观测产品中心负责人王国梁展开对话。关于"AI会不会取代运维",嘉宾们达成一个基本共识:重复性工作会被替代,但运维的核心价值不会消失,只是角色在变——从"运维负责人"走向"稳定性负责人"。真正的挑战不在于技术和数据,而在于组织文化、可信边界和数据打通。
可观测展区现场
关于腾讯云可观测平台 腾讯云可观测平台(Tencent Cloud Observability Platform,TCOP)是集指标、链路、日志于一体的全栈智能观测平台。结合强大的可视化和告警能力,为您提供一体化、智能化监控解决方案。可以满足客户全链路、端到端的统一监控诉求,帮助用户提高运维排障效率,为业务的健康和稳定保驾护航:
可观测平台产品栈
|