故障群里的截图，怎么变成 Agent 能检索的知识

信源：AI内参《AI Agent 重塑运维知识：从碎片化经验到自主 SRE 的智能进化》。抖音算法工程师王宁在 QCon 全球软件开发大会（2025/8/26）分享了 SOPAgent 架构，演讲稿《从私域知识到智能 Agent：构建智能运维知识库》由 InfoQ 发布。

传统 AIOps 在复杂排障场景下的瓶颈，往往不是模型能力不够，而是知识本身进不来：专家经验不可复制，文档更新总是滞后于系统变更。一次线上故障的真实处置过程，通常散落在故障群里贴的监控截图、事后的视频会议纪要、系统工单，以及对话里那些没写进任何文档的判断。这些碎片化的私域数据，才是运维知识沉淀真正的原料。SOPAgent 的做法，是把这条链路拆成四步。

多模态私域知识融合：先把截图翻译成人话

传统知识库只吃文本，而运维现场的信息大量以截图和语音形式存在。SOPAgent 用多模态大模型把聊天记录中的监控截图、视频会议纪要、系统工单等多源异构数据转成可理解的自然语言。

典型场景是：SRE 在故障群里直接发一张带框选区域的监控截图，系统能把它「翻译」成具体的告警信息和受影响组件。这一步的产出不是给人看的摘要，而是后续自动化诊断的输入。

结构化抽取与 GraphRAG

群聊对话是非结构化、碎片化的排障过程，直接把原文塞进知识库，检索效果不会好。SOPAgent 借鉴 ReAct 的思维链结构，让 LLM 持续从对话中抽取四类要素：

• 问题（对话要解决的故障现象）
• 操作 Action（SRE 实际执行了什么）
• 观测结果 Observation（执行后看到了什么）
• 思考过程 Thought（为什么这么判断）

抽取结果形成结构化知识片段，再通过 GraphRAG 构建动态更新的运维知识图谱，对散落的知识点做关联、聚类和主题定义。这样既提升检索效率，也能把一条完整的排障链路还原出来，而不是只返回几个孤立段落。

迭代式上下文管理

海量运维知识无法一次塞进单个 LLM 上下文窗口。这里采用迭代总结、分步生成的架构：不断摘要已有信息、增补新信息，让模型在全局视角下推理决策，绕开单次窗口的长度限制。

数据飞轮

SOPAgent 不是静态知识库，而是自我进化系统。LLM 新生成的故障复盘、SOP 文档会被重新注入并参与学习，形成持续迭代的闭环。

落地要处理的几件事

• SOP 质量：LLM 生成的 SOP 文档可读性仍需提升，内容可能过于冗余。
• 知识偏见与固化：Agent 依赖历史数据学习，如果数据本身带偏见（比如某位 SRE 的排障习惯有局限），这些偏见会被固化进图谱。需要保证知识的多样性和中立性，让 Agent 有能力质疑甚至纠正过去的经验。
• 责任与可追溯：Agent 生成错误 SOP、或执行了错误的止损操作，责任归谁？决策如何保证可解释、可追溯？这要求在架构里内嵌严格的审查机制、故障回滚能力和人类干预点，在效率与安全性之间取得平衡。
• 图谱会过期：知识图谱作为「大脑」，除了自动抽取和关联知识，还要能自主识别知识的时效性、冲突性并智能纠正优化。这是走向自主运维的关键中间层。

往更远看，多 Agent 协作是方向：诊断 Agent、恢复 Agent、优化 Agent 各司其职，通过智能调度协同处理复杂故障，并构建开放可扩展的 Agent 生态。

收益与角色迁移

目前能落地的收益包括自动化故障诊断、知识问答、SOP 文档生成、OnCall 周报自动生成。资深 SRE 的工作重心也从「写文档」「救火」，转向 Agent 的训练师、监督者和架构师。