「Agent 工程化」方向-日志服务 SLS：Agent 时代的实时数据引擎 助力企业构建 AI Native 数据底座

日志服务SLS：Agent时代的实时数据引擎助力企业构建

AI

Native

数据底座Agent逐步进入生产系统

是新用户也是数据生产者

围绕目标理解数据并执行围绕任务组织运行事实数据生产者数据新用户执行过程传统应用Agent应用平台要求的变化沿预设调用路径执行跨行关联与持续组装还原多轮、并行的任务过程多轮、并行，路径动态展开记录对象Request/

Response耗时、状态码、错误信息Session/Trajectory消息、参数、上下文与产物内容保真与来源追溯保留内容，关联动作与结果证据使用方式人读字段与图表人补齐关联关系与业务口径按目标逐步取数先读概览

，再按需回查证据业务语义与分层读取明确对象、关系与规则口径后续用途监控与排障定位异常，解释单次执行观测、

评估、审计与持续改进生产案例持续进入回归提供可复用过程数据资产连接样本、评价与运行版本Agent数据内容与使用方式正在变化请求既定处理响应推理工具A工具

B目标结果平台底座持续升级Agent原生全新发布上游应用日志服务SLS：实时数据底座之上，构建全新Agent原生能力军--生产数据Session事实资产SessionStoreRaw事实层Schema

Profiler

+

Mapping

ProfileTrajectory视图

Session视图

Feature视图输出能力基于SessionStore的会话级Agent

数据资产输入数据//SessionStore原生字段节选session_id:S-b5fc229f039f4d8btrace_id:21a6d2f9…9c12d60dagent_names:

[support-agent,diagnose-agent]model_call_count:

5tool_call_count:6total_tokens:4135duration_ms:

13532atif_content:steps:

[委托诊断,查流水,查故障,回答]subagent_trajectories:

[diagnose-agent]observation.results[].extra.source_span_idoutput:未到账

，库存服务超时导致发放失败//订单…

-005

，第一轮OTel

Trace节选support-agent/diagnose_agentarguments:{

"order_id":

"

…-005"}diagnose-agent/get_orderpayment_state:

"paid"fulfillment_state:

"failed"support-agent/get_ledgerresult:{

"ledger":

[]

}support-agent/get_incidentdependency_state:

"unavailable"failure_code:

"INVENTORY_TIMEOUT"Trajectory：

还原多Agent排障的完整证据Raw：消息与工具结果分散在

Span中Trajectory：关联主Agent

与诊断分支追溯回答依据从“未到账”定位空流水与超时返回，再按source_span_id回看原始证据。展开多Agent协作沿子轨迹引用进入diagnose-agent，核对诊断结果如何返回主Agent。统一执行与用量口径同一轨迹汇总主、子Agent调用，

5次模型调用共4,135Tokens。关联Agent保留步骤与来源执行还原会话S-b5fc229f039f4d8b订单O-yunqi-recording-20260914-b-0053轮交互9,669Tokens会话最终回复为礼包已到账保留每轮对话的过程数据，得到过程依据：第2轮历史步骤：本轮新查询：

get_ledger

，结果仍为空第3轮出现到账凭证后，

回答才改为已到账可逐轮下钻主、子Agent与工具返回第

1轮11:11:38“付款后为何未到账？

”get_ledger:

[]get_incident:

INVENTORY_TIMEOUT回答：未到账

，库存服务不可用第2轮11:14:30“服务恢复，到账了吗？

”重新调用get_ledger:

[]回答：仍未到账

，

当前无到账凭证第3轮11:15:23

“请最后核对凭证”get_ledger:

ledger_id

=

L-O-…

-005回答：礼包

×

1

已到账Session：连续三轮核对，保留每次判断的证据识别旧上下文与新证据历史步骤有复制标记，本轮查询有来源，检查Agent是否真的重新核验。区分服务恢复与业务解决同一会话对照三轮工具事实与回答，避免把“服务恢复”当成“订单到账”。保留完整回归上下文连续追问与执行快照一起形成样本，检验无凭证时是否仍坚持未到账。三轮Trajectory：同一订单的状态变化一个Session：连续交互与执行快照同一会话去重、排序会话聚合用户问题可直接使用的能力分析产出本例结果为什么礼包未到账？从Session下钻单轮轨迹关联子Agent与原始Span回答、工具结果与诊断分支可逐项核验第

1轮：空流水

+

INVENTORY_TIMEOUT

diagnose-agent返回库存服务超时主Agent据此回答“未到账”耗时与Token花在哪里？按轮次、模型、Agent查看用量识别具体调用的耗时可比较的轮次成本与协作分支耗时首轮

13.53s/4,135Tokens诊断分支7.04s

，含

2次模型调用全会话9次模型调用/9,669

TokensAgent是否按要求只查询？查看工具名称、参数与返回关联订单及每轮执行快照可追溯的操作记录与业务凭证三轮每轮都重新调用get_ledger第

3轮返回到账流水

L-O-

…

-005本次采集内未见补发或退款调用如何生成回归样本？读取连续问答与ATIF快照区分历史上下文和本轮执行可供AgentLoop等系统使用的评估输入样本：本会话第

2轮

+第

1轮上下文版本：verified-v2，模型：

qwen-plus建议规则：无流水不得宣称到账SessionStore开箱即用的能力03.业务模型Context

Model｜按业务域组织业务域继承

Schema

Metric

·Terms跨

Project统一口径04.Agent集成多种Agent消费SLSDataAgent统一口径可追溯答案01.SLS数据资产运行事实入口索引配置Dashboard/告警Query/SQLSLS数据资产LLM

自动提取事实模型业务模型多种

AgentSLS语义层：从数据事实到业务语义02.事实模型Source

ModelLLM

自动提取SchemaMetricSLS数据资产→事实模型→业务模型→Agent准确回答Terms补充可复用SQL示例筛选业务Logstore企业自有AgentCopilot

/工具Source

Model事实层•

结构、粒度与观测值域•

实体映射与关系候选•

可验证的业务事件•

来源、质量与版本Context

Model业务层•指标、术语与实体解释•场景规则、适用范围和反例•历史查询与分析方法•分场景

Markdown及依赖从数据和使用经验中持续提炼Agent运行层•

理解问题并召回场景•

查询实时数据•

比较、

下钻与核验•

输出答案及证据SLS语义层以Context

Model为核心事实共享，

业务场景分别组织

，Agent按问题消费共享Source支撑多个Context，同一Context可以服务多个Agent来源可提取的事实与经验需要保留的条件Schema与数据画像结构、值域、

缺失、重复与关联候选采样范围、时间与命名空间历史Query表达式、去重、关联、参数与修改过程关键过滤条件、执行结果与验证状态Dashboard配置指标组合、筛选器、默认范围与下钻入口面板、变量绑定和使用场景告警规则计算窗口、

阈值、持续与恢复条件触发逻辑与业务目标分别描述Source

Model语义来自数据的使用经验Schema、

Query、

Dashboard配置、

告警规则、原始内容共同提供线索用户日常积累的分析资产，可以成为多个Agent

共享的知识来源按业务问题组织数据明确业务对象、分析范围与关联关系让Agent选对数据、

对齐分析粒度。按业务规则形成判断定义指标口径、状态判定与例外条件减少业务歧义和错误归因。让分析经验反复复用沉淀典型问法、查询方法与证据要求减少重复解释和从头探索。业务知识业务对象与关系指标口径与规则分析方法与证据业务模型

，

让Agent理解业务、

复用经验围绕业务问题组织数据

，沉淀统一口径与经过验证的分析方法把企业对业务的理解，沉淀成Agent可复用的判断依据和分析方法业务知识持续积累，支持不同任务与多个

Agent复用

按需查询继承事实补充语义绑定并召回场景语义与分析方法DataAgent角色与任务目标运行约束：绑定模型范围、

RAM角色与数据访问权限SLS

DataAgent：

基于语义层的智能查询与分析业务模型提供统一语义与分析方法，

DataAgent理解问题、查询实时数据并返回有依据的结论业务模型Context

Model场景范围、统一口径、关联关系业务规则与可复用查询示例自然语言提问与多轮追问事实模型Source

Model字段与枚举、指标与术语来自数据及已有查询资产01

语义驱动，准确理解业务复用业务模型中的字段含义、指标口径和查询示例

，选对数据源，遇到歧义先澄清。03

有据可查，范围可控结合查询结果与原始记录形成可核对结论，在绑定模型和

RAM权限范围内访问数据。02

多步分析，减少查询编写自然语言提问与多轮追问，

自动构造查询，完成趋势比较、异常定位与业务指标分析。问题理解意图识别范围与口径澄清任务规划拆解分析步骤选择数据与方法查询分析生成并执行查询比较、下钻与核验结果生成业务结论查询明细与依据实时数据与查询结果01源数据玩家行为与客服会话Business

Logplayer_id:

…

-001need_id:

…

-001material:强化晶石event:gameplay.material_shortage(未观测到曝光与支付事件)session-facts

Log同一

player_id

+

need_idpurchase_objection:入口难发现原文节选：“没看到对应的礼包入口。

”定位流失与待验证的改进运营问：“有强化材料需求却没购买，优先改善哪个环节？

”已核对的分析结果300人有需求，

180人已曝光90人支付，需求付费率30%120人未触达

，90人曝光未付费

3条咨询反映“入口难发现”优先验证：材料不足时的礼包入口02事实模型事件、实体与原文证据字段语义与证据含义gameplay.material_shortage玩家存在材料需求commerce.offer_exposed玩家看到礼包入口payment.confirmed支付确认，到账另行核验evidence_quote

+session_id玩家原文可追溯到会话03业务模型按“需求与付费”组织语义统一人群与统计口径材料需求玩家与购买漏斗同一批次、需求与观察范围按

player_id

+

need_id关联包含尚未创建订单的玩家定义分母与反馈边界曝光人数/需求人数按同一需求与商品计算咨询样本不外推全体玩家有需求却未购买

，

SLS

Data

Agent如何发现增长机会04

DataAgent>>>Agent

Friendly：智能数据平台的对接能力智能数据平台在数据与语义之外

，还需要提供适合Agent使用的能力入口与任务方法让平台能力自然进入Agent的工作流程调用可执行通过标准接口调用平台能力在授权范围内获得明确的执行结果能力可发现Agent能知道平台提供什么能力理解用途、适用条件与输入输出任务可完成遵循领域方法组织多步操作处理异常，

并验证目标是否达成MCP标准化能力接入Skill

可复用任务方法典型场景日志服务

SLSSLSOpenAPISLS

MCP

Server：

让Agent通过标准协议使用日志服务告警诊断资源发现安全RAM权限无需填写AccessKey敏感配置脱敏协议sls_list_alertssls_list_alert_history认证调用访问运行

Streamable

http

日志

·指标

·

告警Projectsls_get_context_logssls_diagnose_alertsls_query_logssls_list_logstoressls_get_log_histogramsls_list_metricstoressls_get_logstore_indexsls_list_projects本地

Proxysls_get_alert支持

Tool

范围SLS

MCP

ServerMetricstoreLogstore自然语言选ToolSLSOpenAPIOAuthCLI

Profile免地域访问自动匹配

Region日志分析Skills体系：

一个编排Skill

，

串联全链路能力3.

Query使用自然语言描述目标路由

Skill持续编排Skill执行并返回状态与资源结果4.告警配置SLSAlertingalibabacloud-sls-agent-workflow1.

采集接入2.

索引配置alibabacloud-index-configalibabacloud-sls-data-agentalibabacloud-sls-alerting告警管理｜规则配置·通知策略·历史诊断alibabacloud-loongcollector-opsalibabacloud-sls-sdk-guidancealibabacloud-sls-query用户目标任务拆解采集接入用户确认索引配置Query结果验证完成一个入口理解目标并持续编排，多个专业Skill分域执行并返回状态、证据与资源结果

可编排Skill

体系

端到端使用示例企业

Agent

观测、评估与持续优化闭环应用层AgentLoop能力运行数据资产SLS数据底座Agent质量闭环｜真实对话BadCase评测数据集版本回归优化上线AgentLoop：

基于SLS构建企业