01.大模型在运维领域的 “万能滤镜” 正在褪色
2025 年初，随着DeepSeek的爆火，市场的热度达到了“疯狂”的程度，大模型被神化，无所不能，某巨头的大模型一体机卖爆了。但经过一段时间的实际使用和反馈后，用户也开始逐渐降温冷静下来，发现一些更加真实的事实：
“不知道大模型能干什么？”
“不知道大模型能够在哪些场景达到什么样的效果？”
“为什么私有化部署大模型之后发现，跟网上的DeepSeek差距那么大？”
“为什么“投喂”了大量知识之后，大模型的表现还是不符合预期？”
如果这样都不理想，怎么能够应用到准确性要求如此高且环境极其复杂的运维场景中。
02.大模型能够在运维领域做什么？
1）看一下我们以前在做什么
- 传统工作方式：预制既定规则，应对复杂场景。
- 存在的问题：实际情况往往复杂多变，预制的规则难以全面适配，导致最终效果不佳（复杂场景的适配率极低）。此外，规则的条件通常仅能覆盖少量固定场景。
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负责规则的判断与调度，同时结合运维人员的专业经验进行分析和引导。这种方式不仅拓宽了场景的适用范围，还显著提高了复杂场景的适配率。
在运维工作的演进历程中，我们曾经依赖预制的既定规则来应对复杂场景。这种方式在理论上似乎能够有条不紊地处理各类问题，但在实际操作中，却面临着诸多挑战。实际情况往往是错综复杂、千变万化的，预制的规则很难做到全面适配。由于规则的条件通常只能支撑小部分固定场景，这就导致在复杂场景下的适配率极低，最终的运维效果也不尽如人意。
随着大模型技术的发展与应用，运维工作迎来了新的变革机遇。在大模型的加持下，规则的判断与调度由大模型来承担，并结合运维人员的专业知识与经验，进行深入的分析与引导。这种方式显著地扩大了场景的适用范围，提高了复杂场景下的适配率（当然不可能达到极高准确率）。尽管它已经为运维工作带来了显著的提升，但在实际处理过程中，依旧无法做到“替代”运维的存在。
正如前文所述，AI与运维的深度融合需要扎实的基座支撑。嘉为蓝鲸WeOps智能运维平台与AI深度融合，将为企业构建智能、高效、可持续发展的运维生态体系，助力企业数字化转型升级。
3）结论
（1）不要妄想AI代替运维，而是提高运维同学的效率和降低出错风险
AI 在运维中更重要的作用是提高运维同学的工作效率，并降低出错的风险。运维工作需要专业知识、经验判断和应急处理能力，而 AI 目前尚无法完全替代这些人类技能。AI 可以作为辅助工具，帮助运维人员更快速、准确地处理问题，而不是取而代之。
（2）大模型当前的作用是放大自动化运维的成效，而不能跨越运维建设的阶段
自动化运维是一个逐步发展的过程，从简单的任务自动化到复杂的系统集成，需要逐步积累和完善。大模型的应用可以进一步提升自动化运维的效果，但不能跳过必要的建设阶段，直接实现理想化的运维模式。
（3）大模型在运维领域落地逻辑与自动化运维阶段一致，先标准化、再自动化，才到智能化
在引入大模型之前，运维工作需要先实现标准化，将各项流程和操作进行规范和统一；在此基础上，逐步实现自动化，通过脚本和工具来代替人工操作；最后，借助大模型等智能化技术，实现更高级的智能运维。
03.大模型落地运维场景三阶段建议
1）阶段一：标准化
- 关键动作：统一监控指标、规范操作流程、建立 CMDB 资产库。
- 成果度量：数据完整率提升至 90%+，为 AI 提供可用输入。
- 场景应用：私域问答-CMDB、监控等数据的查询，问题的咨询，变更规章的咨询等。
2）阶段二：自动化
- 关键动作：定义重复执行的原子操作，提供给大模型调度（Tools），形成各种细分领域的智能体。
- 风险描述：极度依赖上一个环节的数据质量，数据不对，会导致执行变形，进而引发难以估量的后果，例如，当 A 系统执行自动清理日志时，由于 CMDB 中系统与机器的关联关系错误，导致误删了 B 系统的日志。
- 场景应用：智能提单-机器人自动总结前轮对话，推演提单内容，自动调用工单系统，实现自动提单。日志智能分析聚类-通过将大量日志数据分组为多个类别，帮助管理员发现异常行为、识别关键日志，提升日志的可读性和管理性。
3）阶段三：智能引导
- 描述：以私域知识和智能体建设为基础，通过给予剧本，对系统操作进行智能引导，实现智能体与业务系统完成深度的智能化联动。
04.总结
智能运维的本质，是以 AI 技术驱动运维体系的加速进化，而非对现有架构进行颠覆性变革。在推进智能运维落地的过程中，合理把控节奏至关重要，以下是几点建议：
1）先理后动
首先聚焦于全面梳理业务场景，深度洞察运维流程中的痛点与需求，确保 AI 技术的引入紧密贴合实际业务，坚决避免盲目跟风、为用 AI 而用 AI 的情况。
2）小步快跑
采用试点项目的方式，以小规模、低风险的实践验证 AI 在运维中的价值。通过对试点结果的及时分析与总结，逐步扩大应用范围，有效控制试错成本。
3）人机协同
构建 AI 辅助决策机制，让 AI 技术充分发挥数据处理与分析的优势，为运维决策提供智能支持。同时，在关键操作环节保留人工复核，利用人的专业经验与判断力，保障运维工作的准确性与可靠性。
