当 AI 走进运维：这半年的观察与思考

写这篇随笔时，正值 2025 年 8 月底。回看这一年多，AI 对运维工作的渗透比我想象中快，但方式又和很多人最初预测的不一样。趁着周末，把这段时间的观察整理成文字——不谈宏大叙事，只说我自己和身边真实发生的变化。

一、它真实地改变了我的日常

排障：从”搜答案”到”问模型”

现在拿到一个报错，我的第一反应已经不是复制去搜索引擎，而是把上下文完整地丢给大模型：

# 我现在喂给 AI 的"排障提问模板"（比直接贴一行报错有用得多）
#
# 【环境】CentOS 7.9，Nginx 1.20，后端 Java 8 微服务
# 【现象】高峰期 502 增多，Nginx error.log 出现 upstream timed out
# 【已排查】后端存活、连接池未满、upstream 配置如下（贴配置）
# 【疑问】还有哪些方向没查？

把环境、现象、已做过的排查都交代清楚后，模型给的”嫌疑列表”质量明显高出一截——它经常能补上我没想到的方向，比如”检查 keepalive 超时与后端半连接数”这类容易被忽略的点。它不一定直接给答案，但确实帮我缩短了定位时间，尤其是那些”我怀疑是 A，其实是 B”的场景。

脚本与文档：初稿它写，质量关我把

写脚本的效率提升是最直观的。以前写一个日志统计脚本，从回忆语法到调试干净要小半天；现在把需求描述清楚，模型给的初稿基本能用，我再按生产标准改：补参数校验、加失败处理、写清日志输出。

# 典型协作流程（我在终端里的真实工作方式）
# 1. 描述需求：统计 access.log 中 5xx 占比，按小时输出，超过 10% 告警
# 2. 模型给初稿，我改造成巡检规范（函数、局部变量、日志落盘）
# 3. 手工验证两遍：造一条异常数据确认能触发告警

文档也受益——接口变更说明、故障复盘的结构化模板，让 AI 生成初稿再人工校对，省下的时间都花在了把话说准确上。

知识库：把团队的经验”喂”给 AI

企业内部最大的变化，是知识库问答助手的落地。我们把历年的故障记录、变更文档、环境清单整理成语料，做检索增强问答，值班同学遇到问题先问它：

语料类型	具体内容	价值
故障复盘	根因、处理链路、止血动作	新人不用”重新踩一遍坑”
变更记录	什么时间改了什么、影响面	快速定位”是不是变更引起的”
环境清单	机器清单、拓扑、账号归属	少问”这台是干嘛的”
常见问题	运维知识库 FAQ	值班第一道过滤

以前”老员工离职知识就断了”的问题，第一次有了系统性的解法。今年年初 DeepSeek-R1 开源之后，这类私有化部署的成本变得可接受，身边不少团队都在做类似的事。

二、我实际用 AI 做什么：一张分布表

场景	频率	AI 的角色	我的把关点
报错分析 / 排障方向	每天多次	给嫌疑列表	环境上下文是否交代清楚
脚本 / 配置初稿	每天	写初稿	生产标准改造 + 验证
文档 / 复盘结构	每周	搭框架	事实准确性
告警 / 日志模式分析	每周	找规律	数据口径是否正确
知识库检索问答	每天	定位沉淀文档	答案要回到原文核对

一个值得记住的观察：AI 用得越多，越发现”把问题描述清楚”本身是稀缺能力——环境、现象、已排查项、期望输出，这些信息组织得好，AI 和同事都能更快帮你。

三、它没有改变的东西

线上出了问题，模型可以告诉我”可能的原因”，但它不会替我被扣绩效，也不会替我跟业务方解释为什么影响了半小时。故障处理里最重的部分从来不是”知道答案”，而是在信息不完整、时间紧迫、多方压力下做决策——这部分需要的不是知识，是判断和担当。

还有一个更微妙的点：模型的建议在”标准环境”里很准，在生产环境里经常差一口气。我们的环境有太多历史包袱——遗留脚本、没文档的配置、说不清来由的依赖——这些”非标准”的东西模型看不到，只有人对这套系统的理解是完整的。所以 AI 给我的建议，我默认只信一半，另一半要靠对业务和环境的理解去校准。

关于”判断力”这件事，我在之前的文章里也聊过：排障的本质不是背命令，而是沿着正确的链路缩小范围——《进程与性能排查实战》、《日志排查体系》里写的就是这套思路，AI 帮我把”缩小范围”这步做得更快，但”判断哪个方向值得查”仍然是人。

随着 AI 生成代码的能力变强，代码以外的质量责任反而更重了：变更的影响范围、回滚方案、监控覆盖——这些”上线前的最后一道关”，从来都是人在把。

四、行业里几个真实的时间点

这几个是我确切经历过的节点，写在这里提醒自己别被一时喧嚣带偏：

2016 年：Gartner 提出 AIOps 概念，”智能运维”的口号喊了很多年；
2021 年：GitHub Copilot 发布，代码辅助工具进入大众视野；
2023 年：GPT-4、Claude 3 相继到来，大模型开始真正”能用”；
2024-12：DeepSeek-V3 发布，开源模型性能第一次追上闭源第一梯队；
2025-01：DeepSeek-R1 开源推理模型引爆讨论，也把”私有化部署大模型”的成本打了下来；
2025 上半年：身边越来越多团队做出内部 AI 助手，AIOps 的落地场景回归理性——告警降噪、日志异常检测、根因分析辅助这三件事，做得比”端到端自动运维”实在得多。

写到这里特别提醒自己：AI 的发展太快，任何”预测”过三个月就会失真。这篇随笔只记录 2025 年 8 月这个时点真实发生的事，不做预言。下个季度回来看，大概率又不一样了。

五、我给自己定的三条原则

把它当放大器，不当拐杖：AI 帮我做得更快的事，我要清楚每一步在干什么——它错了我也要能看出来；
围绕”判断力”积累：命令和语法可以被生成，但对系统边界的理解、对风险的嗅觉、对业务的认知，只会越来越值钱；
文档和知识库变成硬资产：以前写文档是交接用，现在它们还是 AI 助手的”饲料”——写清楚、结构化，AI 才能帮上忙。

结语

2025 年的这个夏天，AI 对运维来说既不是革命也不是泡沫。它更像一个”能力很强的实习生”：上手快、知识面广，但需要有人定方向、把关、兜底。而我想要的定位，就是那个把关和兜底的人——顺便把实习生用得越来越好。