「Agent 工程化」方向-全域智能运维平台 STAROps 构建Agentic Ops 智能运维闭环

全域智能运维平台

STAROps构建Agentic

Ops

智能运维闭环3被动处置，闭环缺失1数据割裂，上下文缺失2调查复杂，依赖专家企业落地智能运维时面临的挑战4Agentic

Ops深度诊断和根因定位智能体自主规划与执行7

×

24

持续闭环守护智能运维正在走向

Agentic

Ops运维问答助手单次对话和分析自然语言查询数据异常解释和建议单一数据智能告警异常检测与关联分析规则驱动的恢复建议阈值规则告警与监控人工巡检与人工排障固定脚本手工执行提问驱动

·

智能辅助目标驱动

·

自主运维规则驱动

·

被动响应数据驱动

·

辅助决策3统一数据、

连接和建模，构建统一运维上下文全域数据统一连接运维数据建模阿里云各领域

AI

助手、技能及更多扩展自定义智能体、技能、

工作流...意图理解→动态数据感知→全域上下文组装→任务拆解→意图路由→统一结论分析

→

执行和验证

→

自我进化STAROps：阿里云智能运维统一入口调查与诊断覆盖影响范围、传播路

径、跨域分析和根因定位处置计划建议、风险、执行步骤

和回退方案等问题发现持续更新问题现象、证

据、影响、状态长期任务长期异步执行、持续值

守与主动发现执行与验证调用工具与流程、验证

结果、更新状态执行策略自动/人工确认执行、审

批和强制拦截等阿里云智能运维统一入口

STAROpsSTAROps

-

Agentic

Ops

Engine实体与关系建模动态拓扑与上下文统一数据语义权限、执行策略统一身份认证跨账号、跨云/环境发布、

变更、

代码资源、

资产、成本可观测数据UI页面集成发布异常闭环OpenAPI集成应用健康巡检全域数据查询STAROps控制台IM端助手集成IM端群聊机器人容量与风险预警变更影响分析告警根因定位Skill/MCP集成CMS/SLS控制台成本分析优化自主调度

↓

资源编排视频云存储容器计算PAI大数据数据库安全网络↓数据

基础统一运维上下文通过统

一

连接器打通可观测数据、

云产品与企业多源系统，

构建统

一

运维上下文数据模型，

消除数据孤岛和上下文割裂，

形成持续更新的运维数据底座

。跨域分析和诊断统

一

全域运维数据查询与

分析

，贯

通业务到

资

源

、

运行

态

到

研

发变

更的完整

链

路，

统

一

查询全域运维数据，

并

实

现跨

产品

、

端

到端的问题

诊断与

根因定位

。持续闭环处置持续

巡

检和

主动

发

现

、

分析并推动

问题的

闭环

解

决；根

据

风险

采取自

动

执行

、

人工确认和

强

制

拦截等分层策略，

并将处

理

轨迹

与验证

结果持续

沉淀为经验

。从统一运维上下文到生产级智能运维持续

闭

环智能分析

智能化接入通过自然语言对话描述接入需求，自动匹配数据源与接入方案，智能完成接入配置，

降低数据接入门槛。

数据预处理内置丰富的预加工算子，自动完成日志解析、特征提取、指标聚合与关联计算，将海量原始数据转化为可直接用于分析诊断的数据。

云上数据自动感知自动发现授权范围内的阿里云资源，统一接入资源信息、

日志、指标与链路数据

，减少人工配置。数据预处理日志解析特征提取指标聚合关联计算异常过滤智能化接入描述接入诉求匹配数据源和方案自主完成接入统一运维上下文/

自动感知和智能化接入数据自动采集资源信息采集日志与指标采集链路数据采集接入自动配置数据源自动匹配采集方案生成连接与配置校验资源自动发现授权范围识别云上资源发现资源变化感知统一数据建模

（

Fabric）统一语义·实体关系·

动态拓扑

·

持续更新统一数据建模

（

Fabric）将指标、

日志、链路等可观测数据与业务、应用、实例、容器、数据库、代码、流水线等资源对象等统一建模，持续维护数据语义、实体关系和动态拓扑

，形成可供Agent理解和分析的统一运维上下文。统一连接器

（

Connector）通过云上直连和环境代理（Satellite）

，打通阿里云跨账号、企业

IDC、其他云环境及外部系统，统一完成授权鉴权、资源发现、健康检查和连接状态管理，降低多环境数据接入与维护成本。统一运维上下文/

多源运维数据的统一连接与建模阿里云环境CMS/SLS/ARMS云资源和成本跨账号数据企业环境C

ICD/代码IM

端工单/自动化系统其他环境资源可观测数据资源与资产多云环境云上直连/环境代理统一连接器

（Connectors）

资源发现

指标日志链路事件变更网络数据库容器实例应用代码业务

状态管理授权接入鉴权认证健康检查

全域数据，一问即查自动理解查询意图、运维对象和时间范围

，跨指标、

日志、链路、事件、资源与变更完成查询

，减少系统切换和语句编写。

从数据到结论，

一问即懂自动完成数据筛选、聚合、对比和关联分析，生成图表、拓扑与关键结论

，让复杂运维数据直观可读。

上下文连续，追问即深入保留对话和分析上下文，

围绕异常持续追问，关联上下游依赖、研发变更和代码信息

，逐步深入问题原因。关键发现：1.

review应用的错误率显著偏高

，达到0.367%

，是第二名frontend-proxy的约

30倍,在所有

64个

APM应用中最为突出。2.其余

3个应用的错误率均低于0.02%

，整体处于较低水平。3.64个应用中有60个在该时间窗口内未产生错误请求。如果需要进一步排查

review应用的错误根因（如具体接口、错误类型、关联Trace等）,可以继续深入分析。排名应用名称错误率1review0.367%2frontend-proxy0.012%3email0.00025%4inventory0.00018%智能运维助手用时

15秒查询完成，

最近

1小时内共有4个APM应用产生了错误请求，

按错误率从高到低排列如下：跨域分析和诊断/

运维数据一问即知即懂帮我查看最近1小时，

错误率比较高的APM应用跨域分析和诊断/

全链路问题诊断和定位跨云产品问题

诊断3

假设驱动验证4诊断结论输出告警

事件长期

任务用户

问题1

锁定调查范围2

全域证据关联统一连接器

（Connectors）统一数据建模

（

Fabric

）

证据不足

，继续调查诊断智能体持续调查应用异常

端到

端诊断变更异常定位

诊断告警风暴快速调查经验沉淀：每次处理成为下一次的经验从调查、处置与验证结果中提炼可复用的经验，支持后续任务持续学习，提升问题判断与处置效率。问题发现：

承载问题解决的全过程汇聚证据、影响、根因与处置建议为问题对象

，支持用户与Agent协同跟进

，持续推进问题解决。长期任务：

围绕运维目标持续运行按用户设定的范围与策略，持续观察系统变化、聚合异常并开展调查，

自主生成或更新问题发现。持续闭环处置/

发现、解决和验证，持续闭环经验沉淀长期任务持续调查更新问题受控处置效果验证问题发现

分级执行，明确自主执行边界按执行策略对动作分类

，低风险任务自动推进，关键变更由人工确认，命中禁止规则的操作直接拦截，让自动化程度与生产风险相匹配。

双重校验，确保授权范围内执行执行策略与

RAM权限共同约束Agent行为，执行前再次检查拒绝规则和目标资源权限

，确保人工确

认或自动放行均不突破权限边界。

结果验证，处理过程可追溯完整记录数据访问、工具调用、审批与执行结果

，执行后验证系统恢复情况

，更新问题状态

，并按预设方案回退或转人工处理。

自动放行

执行前策略与权限校验

持续闭环处置/

分级策略保障受控执行生成执行计划诊断结论/处置建议终止审批通过

强制拦截执行操作与验证分级执行策略

人工确认↓接入和建模分析/定位演示：

从数据接入到7

×24持续运维闭环持续发现和处置闭环

实现

跨产

品、端到端的

问题诊断

与

根

因定位跨领域查询/多云产品巡检容器智能巡检告警智能降噪日志模式分析主机智能巡检云