AIOps 案例模板 Skill

使用场景

• 运维团队希望引入 AI 能力，需要系统性方法论指导
• 需要为 AIOps 产品设计从方向到生产的完整路径
• 关注高风险、强约束、重责任场景的 AI 化方法

AIOps 特征与适配性

AIOps 特征	对方法论的影响
高风险：错误建议直接导致故障扩大	必须有强审计放行和人在回路机制
知识密集：依赖专家经验	需要知识沉淀和检索增强
实时性强：响应时间要求高	模型延迟必须纳入评估
可解释性：决策必须可追溯	上下文工程和日志是基础设施
责任边界清晰：谁决策谁负责	Agent 边界设计是核心

AIOps 方法论路径

@ai-native-direction-framing
  → 选择最值得先 AI 化的运维节点
  → 输出：Direction Brief

@p2a-experiment-overview + @p2b-experiment-engine
  → 验证日志解释、告警聚类、案例召回能力
  → 输出：实验结论报告

@p2c-process-redesign
  → 值班升级链设计
  → 输出：人机协作矩阵

@p2e-shadow-validation
  → 影子系统并行验证
  → 输出：影子验证报告

@ai-native-audit-release
  → 高风险场景审计放行
  → 输出：放行决策

@ai-native-production-ops
  → 值班面板和生产观测
  → 输出：生产运行方案

@p10a-value-discovery-loop
  → 价值信号识别与反馈
  → 输出：价值发现方案

典型 AIOps 能力分层

第一层：值班辅助（低风险）

• 日志解释与摘要
• 告警聚类与去重
• 案例召回与相似故障推荐
• → 适合：自动 + 人在回路中

第二层：分诊辅助（中风险）

• 故障影响范围判断
• 根因概率排序
• 处置建议推荐
• → 适合：Copilot + 人在回路中

第三层：自动处置（高风险）

• 自动扩缩容
• 自动切流
• 自动补丁
• → 适合：人在监督中，且需强审计

AIOps 案例 Skill 输出模板

```yaml

AIOps 案例方案

方向定界: 核心问题: [选择最值得先 AI 化的运维节点] 目标场景: [故障分诊 / 告警处理 / 日志分析 / 容量规划] 约束条件: [响应时间要求 / 风险边界 / 可解释性要求] Direction Brief: [输出]

试验展开: 能力实验: - 日志解释: [模型/准确率/结论] - 告警聚类: [模型/准确率/结论] - 案例召回: [模型/准确率/结论] 产品实验: - 值班面板原型 - 采纳率/满意度 商业实验: - MTTR 缩短目标 - ROI 测算

系统构建: Agent 设计: - 值班 Agent - 分诊 Agent - 知识库 Agent Memory: [会话状态 / 故障上下文 / 历史案例] Context: [告警上下文 / 服务拓扑 / 业务影响] RAG: [运维知识库 / SOP / 历史故障库] 审计规则: [风险等级 / 升级条件 / 人工接管点]

审计放行: RAX 评估: [风险/接受度/体验评分] 放行条件: [通过/附条件/拒绝] 约束: [高风险动作必须人工确认]

生产运行: 可观测性: [五层观测设计] 反馈回灌: [故障案例 → 知识库更新] 循环优化: [月度复盘 + 季度能力沉淀] ```

与其他 Skill 的关系

• 核心协同：@ai-native-direction-framing, @p2a-experiment-overview, @ai-native-audit-release, @ai-native-production-ops
• 配套：@ai-native-memory-system（会话状态管理），@ai-native-knowledge-rag（运维知识沉淀），@p10a-value-discovery-loop（价值发现）
• 案例 Skill：@p10c-customer-service-case（客服场景），@p10d-saas-case（数据分析场景）

适用边界

• ✅ 故障分诊、告警处理、日志分析、容量预测等场景
• ✅ 高风险、强约束、重责任的运维环境
• ❌ 需要直接自动执行高危操作（建议用人在监督中 + 强审计）
• ❌ 实时性要求极高的交易系统（延迟和准确率难以兼顾）