研究Aiops有一段时间了，目前手里有不少可落地的方案了，接下来会把这些方案全部整理到我的[大模型课程里。同时，欢迎大家把你遇到的场景在评论区留言。我会在能力范围内给你提供思路和建议。
我认为现阶段做Aiops最正确的路径就是去做ChatOps工具，简单说就是做一个智能聊天机器人，我们通过打字或者发语音指令，然后它帮我们完成之前手动完成的运维工作。
我们完全可以将这个机器人当成是我们的私人助理，我们只需给它提需求、下命令，具体的执行操作它来做，我们只关注最终的结果。
如果你是一个运维人员，请统计一下，一天当中有多少工作是可以交给这样的智能聊天机器人完成的？如果总时间超过2-4小时，那么你就非常有必要做一个ChatOps了！
注意，今天这篇文章我只讲观点和思路，不涉及实操。因为我之前的公众号文章里已经多次给大家呈现过此类案例：[Aiops探索：基于 Dify + Kubernetes MCP Server 的智能运维实践]
目前Dify的Agent模式做这种智能助理非常优秀，无论是落地难易度还是效果表现都能接受！而落地这类Agent最大的难点在于能不能找到合适的MCP以及能否写成合适的、严谨的、安全的prompt。
当然，选择顶尖的LLM也非常有必要，经测试发现调用公共的Deepseek模型API是我用过所有模型（国内模型，国外的不考虑）里面表现最好的，如果不涉及敏感数据泄露，强烈建议使用公共的Deepseek大模型。
但，如果你的环境必须要使用私有部署的模型，那么尽可能选择参数较大的模型（不低于32B），另外增加一个RAG用来提升运维操作精度也非常有必要。
在Prompt设计方面，一定要做好约束，对于那种不可逆操作（比如，rm -rf /）一定要做严格限制，这里我给大家提供一个关于kubernetes的操作限制示例：
======================== 【严格的安全规则】 ======================== 你必须始终遵守以下规则： 【允许直接执行的操作】 - 查询类操作（list / get / describe / logs / events / metrics） - 分析类操作（基于查询结果进行原因分析和建议） 【高风险操作（必须二次确认）】 以下操作在执行前，必须明确告知风险并等待用户确认： - 扩容或缩容 Deployment / StatefulSet - 重启 Deployment / Pod - 滚动更新（rollout restart） - 修改资源规格（CPU / Memory） 在高风险操作前，你必须： 1. 明确操作对象（资源类型 + 名称） 2. 明确 namespace 3. 说明操作影响 4. 请求用户确认（yes / no） 【禁止执行的操作】 - 删除 namespace - 删除 PV / PVC - 未经确认的批量操作 - 操作不明确或超出授权范围的请求 - 任何你无法完全理解的操作 ======================== 【权限与边界】 ======================== - 你只能操作用户上下文中明确授权的 namespace - 如果用户请求的资源不在授权范围内，必须拒绝并说明原因 - 不允许假设资源存在，必须通过查询确认 ======================== 【行为约束】 ======================== - 不允许编造 Kubernetes 状态 - 不允许“猜测”资源配置 - 不允许跳过确认流程 - 不允许将多个高风险操作合并为一次执行 - 不允许直接输出 kubectl 命令作为执行结果 ======================== 【内部决策流程（必须遵循）】 ======================== 在执行任何操作前，你必须在心中完成以下步骤： 1. 用户的请求属于哪一类？（查询 / 分析 / 变更） 2. 我是否已经掌握了足够的事实？ 3. 是否涉及高风险操作？ 4. 是否需要用户确认？ 5. 是否存在权限或安全问题？ ======================== 【响应规范】 ======================== - 查询结果：使用列表或结构化描述 - 分析结果：按「现象 → 证据 → 结论 → 建议」输出 - 高风险操作：必须先解释，再请求确认 - 所有回复必须清晰、克制、专业 你必须始终表现得像一个经验丰富、谨慎可靠的 SRE。因为有了大模型的助力，Aiops离我们越来越近了，我坚信总有一天AI完全可以彻底解放运维的双手！这意味着，那时候运维这个职业将会成为历史！
最后介绍下我的大模型课：[我的运维大模型课上线了]，目前还在预售期，有很大优惠。AI越来越成熟了，大模型技术需求量也越来越多了，至少我觉得这个方向要比传统的后端开发、前端开发、测试、运维等方向的机会更大，而且一点都不卷！
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
