智慧运维 | 大模型DeepSeek开启运维新篇章

本文引用的参考文献搜集于互联网，非原创，如有侵权请联系小编删除！

请勿将该文章用于任何商业用途，仅供学习参考，违者后果自负！️更多参考公众号：无忧智库

在数字化浪潮汹涌澎湃的当下，运维领域正面临着一场前所未有的深刻变革。随着业务系统的日益复杂，传统的运维模式逐渐难以满足企业对高效、精准运维的需求。而大模型，尤其是 DeepSeek，在运维场景中的应用，正逐渐成为推动运维智能化转型的关键力量，加速实现从人工运维到智能运维的跨越，为企业数字化转型注入强劲动力。

• ️L1 - ScriptOps ：专家经验运维，脚本编辑人工执行，执行依赖人 + 脚本，决策由人做出。
• ️L2 - ToolsOps ：工具化运维，大部分工作实现工具化、流程化，执行由人 + 系统完成（人占比 20%），决策仍由人主导。
• ️L3 - DevOps ：运维开发融合，运维工具体系和数据体系建设完成，执行由人 + 系统完成（人占比 80%），决策由人 + 系统共同完成（系统占比 20%）。
• ️L4 - DataOps ：数据化运维，主要运维场景实现流程化免干预。
• ️L5 - AIOPS ：智能运维，AI 分析与决策，自动化工具链 + 可视化，高度自动化 + 串联智能化，系统基于已有经验知识在不同场景下自主决策处置，执行由人 + 系统完成（人占比 5%，系统占比 95%），决策由人 + 系统共同完成（系统占比 95%）。

大语言模型作为 IT 运维领域新质生产力的重要组成部分，推动数字化转型的颠覆式创新，其在运维领域的应用前景广阔，主要体现在：

• ️通用接口 ：“自然语言” 成为连接运维人员、运维工具、运维文档、运维数据的通用接口。
• ️人机协同 ：以 “聊天” 技术为载体实现人机协同完成运维任务。
• ️技术凸显 ：提示词工程、检索增强、智能体逐步在智能运维应用场景实践中凸显成效。

• ️岗位助手 ：运维知识问答、售后技术支持。例如，快速准确地回答运维人员关于系统配置、故障处理等问题，提供技术支持方案。
• ️数据工具 ：日志摘要 / 理解、告警摘要 / 标签、数据注释 / 标签。能够对海量日志进行快速摘要和理解，提取关键信息，帮助运维人员快速定位问题。

• ️岗位培训教练 ：运维脚本解读 / 生成、培训题目自动生成 / 考核。自动生成运维脚本，辅助运维人员进行脚本编写学习，同时生成培训题目和考核标准，提升培训效率和质量。
• ️数据探索 / 分析工具 ：Text2QL（自然语言查询）、Text2API（自然语言工具调用）。运维人员可以通过自然语言直接查询数据库或调用工具，无需编写复杂的 SQL 语句或 API 调用代码，提高数据探索和分析的效率。

• ️专业岗位专家智能体 ：产品厂商智能体、专业领域智能体（网络、数据库、应用）。针对特定产品或专业领域提供专家级的运维建议和解决方案，例如数据库性能优化、网络故障诊断等。
• ️虚拟作战室 ：运维人员、工具智能体、岗位智能体协同完成运维任务，基于 “聊天” 的人机交互协同应急处置。在应急情况下，各智能体协同工作，快速响应和处理故障。

当生产环境出现严重故障，如过去半小时内，发生了 3456 条告警，涉及 50 套应用系统、100 台物理机、200 台虚拟机、50 个数据库实例、50 个中间件实例，且近期无相关生产变更时：

• DeepSeek 能够执行拓扑根因定界分析，生成拓扑定界结果图，并提供根因组件相关信息。
• 对异常日志进行解读，如 “Director state has changed to Offline.” 表示存储控制器状态变为离线，可能导致存储功能异常。
• 在故障恢复后，还能评估故障影响范围，如手机银行、柜面等交易受影响，期间成功交易量为 0，上周同期交易量约 244587 笔，并可生成详尽的评估报告。

• ️传统方法 ：采用正则表达式等传统技术进行日志解析，但难以处理复杂的日志格式和语义。
• ️深度学习方法 ：利用深度学习算法对日志进行解析，虽然比传统方法更智能，但在处理大规模日志时效率仍有限。
• ️LLM 方法 ：采用大语言模型（LLM）进行日志解析，能够更好地理解日志的语义和上下文。基于异步大模型调度的方法，将任务异步提交至大模型，允许任务独立返回，解决了复杂日志拖慢整体进度的问题，提升了整体效率。同时，通过统一调度、解析任务与调度逻辑解耦、生成管理等机制，进一步优化日志解析过程，确保语义一致性和稳定性。

• ️基于大模型的 Gen-SQL ：采用先生成再检索的范式，利用大模型预训练过程中取得的先验知识，先根据问题猜测所需表结构，再用向量检索器召回相关表，实现从自然语言到 SQL 查询的转换。
• ️Text2SQL + RAG（检索增强） ：通过构建三层树状索引（表、列、值为粒度），在推理阶段计算输入问题与表数据、列数据和值数据的相关度，生成表分数、列分数和值分数，从而更精准地生成 SQL 查询。同时，结合外部知识反馈，包括描述性知识和 Text-SQL 对，进一步提升 SQL 生成的准确率。

在复杂多模态问答中，传统 RAG 方法难以有效处理多模态信息融合和复杂问题的分解与解答。基于静态 DAG 的方法通过以下流程实现多模态检索增强：

• ️问题分解与子问题生成 ：对复杂问题进行分解，生成多个子问题。
• ️LLM 与 DAG 结合 ：利用 LLM 的语义理解和生成能力，结合 DAG 的结构化表示，对子问题进行检索和解答。
• ️答案聚合与生成 ：将各个子问题的答案进行聚合，生成最终的完整答案。

该方法具有以下优势：

• 解决效率问题，提高复杂问题的解答速度。
• 避免 “意图偏离” 问题，确保答案与问题的语义一致性。
• 通过训练 LLM 自动生成多个子问题，提升问题分解的准确性和多样性。
• 考虑样本分布一致性，优化模型训练数据的质量。

• ️运维大模型训练 ：收集故障处置过程中运维专家的思考、操作历史记录，训练运维大模型，使其能够构建出类似于运维专家的排障树思维，通过 Agent 规划运维步骤，并调用相关工具。
• ️多智能体交互框架 ：设计多智能体的交互框架，使不同智能体能够协作完成复杂的运维任务。包括智能体语料样本准备策略、模型训练方案、运维流程数据范式定义、语料处理流程（格式校验、内容校验、Prompt 填充、样本转换）以及智能体增强训练等环节。
• ️智能体通讯交互设计 ：构建复杂多智能体的通讯和交互组件，细分不同智能体的角色与能力，设计具体的通讯和交互模式类型与内容，如一对多广播、多对多讨论等协作模式，确保信息传递的稳定性和准确性，提高整体智能水平。

尽管大模型在运维场景中的应用前景广阔，但目前仍面临一些挑战，如模型推理效率、准确性、幻觉问题、长上下文处理、复杂问题的全局多源信息综合等。此外，融合大模型的整体系统架构设计、软件层面的能力提升（如并发、容错、上下文超限处理）以及以终为始的产品思维等方面也需要进一步完善。

然而，随着技术的不断进步和创新，大模型 DeepSeek 必将在运维领域发挥越来越重要的作用。它将与企业现有的运维体系深度融合，逐步实现从 L1 到 L5 的智能运维进化，提升运维效率、降低运维成本、增强系统稳定性，为企业数字化转型提供坚实保障。让我们共同期待大模型在运维领域创造出更多奇迹，开启智能运维的新篇章！