作者白玙、左知、四拾背景一支技术能力成熟的团队业务全栈上云可观测栈完备——这样的团队最需要回答的不是“能不能做”而是“哪些该自己做、哪些该交给云”。武汉精臣面对的正是这道选择题在自建 SRE 平台已成体系的前提下可观测数据底座和运维数字孪生是继续自己造还是接入一套更完整的现成能力NIIMBOT 精臣致力于以创新让物的管理更简单。自 2012 年创立以来精臣在智能标签标识打印硬件、打印云服务平台及企业效能管理系统领域不断革新技术产品与解决方案重塑标签标识打印的智能化和便捷性。精臣的产品应用已覆盖商业零售、通信、办公、工业、医疗实验、家居生活等领域累计服务全球 2200 万用户。业务挑战伴随业务快速发展与全球化战略推进系统规模与复杂度呈指数级增长运维复杂度被拉升到新量级。精臣的业务系统部署在阿里云上可观测能力也已经用齐了阿里云的产品矩阵——RUM 采集前端用户体验数据、Prometheus 托管容器与云资源指标、ARMS 做应用性能追踪、SLS 承接日志并通过自建 Grafana 对接云上数据源做统一展示。但即便工具栈已经相当完备三个结构性难题依然存在。一全局拓扑看不清应用内调用和应用外依赖各是一张图业务系统跑在云上但“这个应用调了哪些接口、依赖了哪些云资源”这张全局拓扑始终不够清晰。应用内部的接口调用关系在 ARMS 里能看到一部分应用对外依赖的 RDS、Redis、消息队列等云资源又散落在各自的监控里两者拼不成一张完整的动态图。业务规模一涨纯人工梳理拓扑越来越低效——今天理清的依赖关系下周一次发布就变了。二多维观测数据齐全但串不起来Metric、Log、Trace、Event 各类观测数据都采到了问题在于“采得全”不等于“串得起”。一次故障排查往往要在指标曲线、调用链、日志、变更事件之间反复横跳、手动对时间戳缺少一条把多维数据自动关联起来的主线。数据在线索却要靠人拼。三告警噪音大跨域根因定位动辄数十分钟业务故障发生时整条链路上的组件——从前端到后端、中间件、数据库、容器——都在同时发告警真正的问题源头被淹没。定位根因高度依赖人工经验需要工程师凭直觉判断“从哪一层切入排查”一次跨域故障的定位与分析时间动辄数十分钟。在这些挑战之上还叠加了一层精臣特有的判断作为一支有能力自建 SRE 平台的团队团队深知多维观测数据的自动关联、拓扑的动态实时感知是一件投入巨大、且需要持续维护的重活——这块轮子到底值不值得自己造解决方案多维数据底座UModel 数字孪生OpenAPI 嵌入自建 SRE 平台在与阿里云进行技术交流后精臣发现阿里云可观测体系已经把“多维观测数据自动关联”和“全链路拓扑动态感知”这两块能力做得相当完整——关联维度全、拓扑能动态更新正是自己想做的部分。于是精臣做出决策不再重复造轮子把可观测数据底座和运维数字孪生交给阿里云自建 SRE 平台通过 OpenAPI 调用 STAROps 的诊断能力专注做贴合自身业务的编排与闭环。整套方案分四层落地。一多维观测数据统一底座把已有的四套采集能力汇入一个数据面精臣已经在用的 RUM、Prometheus、ARMS、SLS 不推倒重来而是基于阿里云云监控 2.0CMS 2.0把指标、日志、链路、事件、变更等多维度数据统一采集、统一存储、统一查看、统一分析。前端用户体验数据RUM、容器与云资源指标Prometheus、应用性能与调用链ARMS、业务日志SLS汇聚到同一个数据面上为上层的拓扑建模和智能诊断提供一致的数据基础——这一步解决的是“数据串不起来”的问题数据不再各自为政而是进入统一口径的关联底座。二UModel 运维数字孪生自动建模全链路拓扑动态实时更新这是精臣从“自建”转向“采用”的核心原因。UModel 自动为业务系统建模构建应用内接口调用和应用外云资源依赖的全链路拓扑关系图——前端 → 后端 → 中间件 → 数据库 → 容器一张图完整呈现且支持动态实时更新应用发布、依赖变化、扩缩容拓扑图跟着自动刷新不需要人工维护。这意味着在这个应用上点开拓扑图的任一节点就能看到它关联的观测数据——拓扑不再是一张静态的架构示意图而是带着实时数据的“活地图”。UModel 在关联维度的完整度和拓扑动态感知上更成熟省去了团队自己持续投入建模和维护的重活。三STAROps 智能诊断基于 UModel 拓扑自动跨域找根因有了统一数据底座和 UModel 拓扑STAROps 就能在故障发生时自动做根因分析沿着 UModel 的上下游链路关系自动找寻相关节点、拉取对应的观测数据快速给出排查思路与分析结果把原来“工程师凭经验判断从哪层切入 手动跨系统查数据”的过程转变为 AI 自动跨域关联分析。在实际故障排查过程中 STAROps 对基础资源的单域分析如某个 Pod 的资源水位、某个云资源的指标异常表现稳定。对于需要跨观测域关联的复杂场景——例如“Pod 频繁 GC”这类既涉及容器层、又需要下钻到应用层 JVM 指标的根因分析——从应用监控切入时STAROps 能完整地沿链路关联到 JVM 指标并精准定位根因。这类跨域自动关联能力正是把“数据在、线索靠人拼”升级为“AI 自动贯通多维数据”的关键。四STAROps 无缝对接自建 SRE 平台OpenAPI 把诊断能力嵌进客户自己的平台精臣不需要工程师离开自己熟悉的 SRE 平台去另一个控制台排查问题。STAROps 通过 OpenAPI 方式对接精臣自建 SRE 平台作为诊断引擎被平台直接调用把问题分析过程与诊断结果以流式方式返回。工程师在自己的 SRE 平台内点击一键诊断就能实时看到 STAROps 的分析推理过程和最终结论全域问题诊断在客户自有平台内闭环完成。这种“能力嵌入”而非“平台替换”的集成方式让精臣既拿到了阿里云可观测体系的完整诊断能力又保留了自建 SRE 平台承载自身业务逻辑的自主性。实现价值把重活交给云把精力还给业务一自建 SRE 平台里一键闭环全域诊断过去一次跨域故障的排查要在 ARMS、Prometheus、SLS、Grafana 之间反复横跳工程师手动对时间戳、拼线索定位根因动辄数十分钟。现在业务系统的问题在精臣自建 SRE 平台里一键触发诊断STAROps 沿 UModel 拓扑自动跨域关联多维观测数据并返回根因分析——运维团队不再需要人工梳理多维数据、逐层寻找线索。二不重复造轮子成熟团队把精力放回业务过去精臣作为一支有能力的技术团队一度要自己投入人力去搭建和维护拓扑建模、多维数据关联这类通用运维基础能力。现在这块“投入大、需持续维护”的重活交给了阿里云可观测体系和 UModel——团队从造轮子中抽身把精力重新投入到云资源管理、系统架构优化这些真正贴近自身业务价值的地方。对成熟团队而言“什么该自己做、什么该交给云”这道选择题精臣给出了自己的答案。三运维角色从“被动救火”重塑为“主动经营”过去运维团队的日常是等告警、追故障、事后复盘。现在借助 UModel 全链路拓扑的动态更新和多维观测数据的 AI 化分析团队得以从被动响应转向主动巡检、提前发现问题。在保证业务系统稳定的前提下运维的角色定位从“故障响应者”升级为“系统健康的经营者”——全面转向 AI 智能运维体系。未来展望从“能诊断”到“更懂精臣的诊断”随着 STAROps 嵌入自建 SRE 平台更多核心业务系统将获得全链路拓扑建模与智能诊断能力让“活地图 一键跨域诊断”覆盖到全域业务。每接入一个新系统精臣自建 SRE 平台的智能运维能力就随之生长——业务版图扩张到哪里智能运维的守护就延伸到哪里。一让跨域根因关联从“链路引导”走向“任意入口自动贯通”当前 STAROps 沿 UModel 拓扑做跨域关联已经能精准定位根因。下一步的打磨方向是让工程师无论从哪一层入口切入排查——无论是从应用监控视角还是从 Pod、容器等基础资源视角——系统都能自动向上下游延伸、贯通全维度观测数据把“跨域关联”做得更无感、更智能让根因定位不依赖切入角度的选择。二让 OpenAPI 嵌入式集成的交互体验更流畅STAROps 通过 OpenAPI 把诊断过程流式返回到自建 SRE 平台是这套集成方案的关键交互。围绕精臣在实际使用中的体验反馈双方将持续优化流式返回的实时性与信息完整度让工程师在自己的平台里看到的分析过程更细致、更连贯——把“能力嵌入”进一步打磨成“体验无缝”。