什么是 AIOps？
内容提要
AIOps将AI与机器学习用于IT运维，可检测异常、关联事件、定位根因并自动响应，介于可观测性与行动之间，不取代人工判断。分为分领域聚焦与跨领域两类，常见用例包括根因分析、异常检测、多云监控、云迁移与DevOps协作。其效益为缩短MTTR、降低成本、提升可观测性，但依赖数据质量与流程整合，宜分阶段实施。
延伸解读
AIOps 的定位：可观测性与行动之间的智能层
文章强调 AIOps 介于可观测性与行动之间：可观测性告诉你系统正在发生什么，AIOps 则降低噪声、关联事件并帮助决定下一步。它不取代可观测性、DevOps 或人工判断，而是让三者更快。理解这一定位有助于避免误以为 AIOps 是万能自动化工具，也能更合理地规划其在运维体系中的角色。
分领域与跨领域：两种路径的取舍
AIOps 分为分领域聚焦和跨领域两类。分领域方案在特定领域（如云管理、网络性能）提供更深上下文和专门分析；跨领域方案则跨多个 IT 环境收集数据，适合复杂互联的基础设施。两者并非互相替代，选择时需权衡覆盖范围、深度、集成、部署成本和匹配度，根据自身运维需求决定。
效益依赖数据质量与流程整合
AIOps 的主要效益包括缩短 MTTR、降低运营成本、提升可观测性与协作。但这些结果取决于输入信号的质量、运营流程的明确归属以及与现有工作流的集成。若这些条件不具备，AIOps 可能只增加噪声和自动化，而无法改善事件响应。因此，实施前需评估数据治理和流程成熟度。
分阶段实施：从建议到自动化
文章建议 AIOps 采用渐进式实施，而非一次性转型。应从高影响力问题入手，如减少告警疲劳或改进事件响应，统一相关信号并添加上下文，先以建议为主，再逐步允许自动化高风险操作。团队信任建议后，定义 MTTR、告警量等指标衡量效果，再扩展到更多系统，同时管理工具、流程和归属的变化。
Q&A
AIOps 是什么？它和可观测性有什么区别？
AIOps 是 Artificial Intelligence for IT Operations 的缩写，即利用 AI 和机器学习来自动化 IT 运维，能够检测异常、关联事件、定位根因并触发响应。它介于可观测性与行动之间：可观测性告诉你系统正在发生什么，而 AIOps 则接收这些信号，减少噪音、连接相关事件，并帮助平台工程师决定下一步该做什么。AIOps 不会取代可观测性、DevOps 或人工判断，而是让这三者都更快。
AIOps 的工作流程是怎样的？
AIOps 流程从收集应用、基础设施、网络和云服务的信号开始，然后进行数据清理，将重复、不完整或不一致的信号整理成可分析的格式。接着，AIOps 将当前行为与历史模式对比，标记异常。通过事件关联，平台将相关信号（如 API 错误、数据库负载增加、近期部署）连接起来。可能原因分析会检查这些关联信号以确定可能的原因。最后是引导或自动响应：根据工作流，AIOps 可以推荐补救措施、创建工单、通知团队或自动执行预定义响应（如回滚部署）。高风险操作应要求人工介入审批。
AIOps 有哪些主要类型？它们分别适用于什么场景？
AIOps 主要分为两类：领域聚焦型（Domain-centric）和跨领域型（Domain-agnostic）。领域聚焦型 AIOps 专注于特定领域，如云管理、网络性能或应用监控，适合排查特定领域的问题，能提供更深入的上下文和专门分析。跨领域型 AIOps 跨多个 IT 环境操作，从应用、网络、云基础设施和存储等系统收集和分析数据，适合管理复杂、互连的基础设施，解决跨运营边界的广泛问题。两者各有优势和权衡，不能直接互相替代。
AIOps 和 DevOps 是什么关系？它们如何协同工作？
AIOps 和 DevOps 解决软件交付和运维生命周期中的不同部分，集成后更有效。DevOps 提供构建、测试和部署软件的运营模型，通过自动化软件交付连接开发和运维，使开发人员能更快发布变更。AIOps 则通过分析基础设施、应用等系统的数据来检测异常、关联事件、识别可能原因并支持更快的补救，从而扩展该运营模型。例如，DevOps 部署新应用版本时，AIOps 监控其对生产的影响；如果部署出现异常行为，AIOps 可以关联信号、识别可能原因，并触发预定义响应或通知工程师。两者互补而非竞争。
实施 AIOps 能带来哪些好处？又有哪些限制？
AIOps 的主要好处包括：缩短 MTTR（平均修复时间）、降低运营成本、提升可观测性和协作，以及更预测性的 ITOps 管理。这些成果取决于 AIOps 平台接收的信号质量、运营流程的明确所有权以及与现有工作流的集成。如果没有这些，AIOps 可能增加更多噪音和自动化，却无法改善事件响应。限制方面：AIOps 的有效性依赖于数据质量、模型可用的上下文，以及 AI 工程师如何将建议集成到现有工作流中。它并非万能，需要设定合理期望并准备治理和风险管理策略。
企业应该如何分阶段实施 AIOps？
实施 AIOps 是一个渐进过程，而非一次性变革。建议分阶段进行：首先选择一个高影响力的运营问题，例如减少告警疲劳或改善事件响应，以验证可衡量的收益。然后统一相关运营信号，添加上下文（如依赖关系和系统行为），并从推荐建议开始，再逐步允许 AIOps 自动化更高风险的操作。当团队开始信任建议后，将工作流运营化，并定义指标（如 MTTR、告警量、事件频率）来衡量影响。之后，可以扩展到更多系统，同时管理现有工具、流程和所有权的变更。
