文章目录1. 别再卷模型了根因分析的瓶颈早就换地方了1.1 以前大家的执念模型越强排障越猛1.2 现在业内共识喂什么数据比用什么模型重要2. 两种主流玩法现在风向明显变了2.1 第一种代理式让模型自己满世界找线索2.2 第二种确定性提前把线索摆上桌再让模型判3. 有人专门做了实验把这事给扒明白了3.1 为了测准专门造了带干扰的故障3.2 测试结果挺反直觉的4. 代理式不是不行是不适合做主战场4.1 它的优势在未知故障上4.2 生产环境大家都选了稳的5. 算完账更明白未来卷的是上下文工程5.1 推理本身真花不了多少钱5.2 下一个赛场是怎么给模型“喂饭”P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看 传送门https://blog.csdn.net/qq_740133651. 别再卷模型了根因分析的瓶颈早就换地方了1.1 以前大家的执念模型越强排障越猛做可观测性的同行应该都有印象前两年聊AI根因分析开口先问你用的什么模型。参数够不够大版本够不够新好像只要模型拉满线上故障都能自动给你摆平。这就跟打排位输了怪手机帧率不够似的从来不想想自己是不是连技能都没点对。结果真用到生产环境才发现很多时候模型判错根因根本不是它推理不行是你喂给它的东西全是无效信息。1.2 现在业内共识喂什么数据比用什么模型重要现在越来越多工程师反应过来了把精力花在整理上下文上回报率比换个更贵的模型高多了。就像做饭食材选得好、处理得干净普通厨师也能做出好菜你给一堆烂菜叶子米其林大厨来了也没辙。对于做事件响应的团队来说这话尤其戳人——之前砸钱升级模型没解决的问题把上下文理清楚之后准确率直接上去了。2. 两种主流玩法现在风向明显变了2.1 第一种代理式让模型自己满世界找线索早期很多AI根因方案走的是代理路线给模型配一堆工具让它自己查日志、看指标想查什么查什么。听着很智能对吧就像雇了个全权负责的侦探你只需要说“案子交给你了”剩下的他自己跑。但问题也出在这侦探跑嗨了很容易跑偏你根本不知道他中间去了哪、见了谁。生产环境里用多代理排障出了错连调用堆栈都没有全是模型之间乱七八糟的对话想复盘都无从下手。2.2 第二种确定性提前把线索摆上桌再让模型判现在行业慢慢往第二种走先靠确定性规则把信号关联好把因果链捋得差不多了再把整理好的上下文丢给模型。说白了就是先有人把嫌疑人、物证、时间线都整理好再让模型做最终判断。像Coroot、Dynatrace这些厂商的AI都是这个路子——靠拓扑结构遍历依赖关系找根因不是让模型在那瞎逛。好处太明显了结果可复现出错了能定位是哪层的问题不会出现“模型突然就错了”的玄学场面。3. 有人专门做了实验把这事给扒明白了3.1 为了测准专门造了带干扰的故障之前总有人吵排障不准到底是模型笨还是给的证据不对Coroot的工程师干脆做了个对照实验直接把这两个变量拆开看。他们用Chaos Mesh注入网络延迟搞出前端502的故障还故意放了误导性信号——比如被网络耗时放大的查询时长专门用来迷惑模型。就像破案现场故意放个假凶器就看侦探会不会被带偏。最后给11款模型一模一样的提示词差不多一万个token让它们找根因、说因果链、给修复方案。3.2 测试结果挺反直觉的Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro这几个顶流专有模型全过了不仅找对根因连怎么删实验、删定时任务都说得明明白白。大参数的开源模型大多也表现不错。有意思的是小模型赛道Gemma 4 31B反而成了唯一找对根因的自托管模型参数更大的Qwen3.6 35B和Qwen3 Coder Next反倒栽了。你看只要上下文给得准模型差距其实没那么夸张反过来上下文乱参数再大也白搭。4. 代理式不是不行是不适合做主战场4.1 它的优势在未知故障上当然也不是说代理式就一无是处。能自己找数据的模型能抓到固定管道根本想不到的信号遇上从来没出现过的新型故障这能力就很关键。就像常规警情走流程最快但遇上悬案还是得给侦探自由调查的权限。4.2 生产环境大家都选了稳的但真到线上救火的时候没人敢赌自由发挥。现在很多工程师都放弃了纯代理设计改成“大部分流程确定性只在小环节用LLM”的方案。理由很实在可靠性更高还省token钱。毕竟凌晨三点出故障你要的是五分钟出结论不是等代理循环跑半小时最后还不知道它跑到哪去了。5. 算完账更明白未来卷的是上下文工程5.1 推理本身真花不了多少钱很多人担心用大模型排障烧钱其实真不是。相关性分析都在调用模型之前做完了真正传给模型的都是精简过的内容单次调用也就几美分。费钱的从来不是推理是你瞎塞一堆没用的日志指标平白无故给算力厂商冲KPI。5.2 下一个赛场是怎么给模型“喂饭”现在业内基本达成共识AI根因分析的推理部分差不多已经解决了。接下来真正的硬骨头是怎么在调用模型之前准备好又准又紧凑的上下文。Anthropic、LangChain还有一堆可观测性厂商现在都在往这个方向使劲核心就一件事筛选出信号最强的最小信息集给模型最干净的输入。说直白点以后做这个方向的工程师不用死记硬背各个模型的参数表了。能把上下文治理明白能给模型喂得又准又少才是真正的核心竞争力。P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看传送门https://blog.csdn.net/qq_74013365 AI根因分析大变局：别再卷模型，真正瓶颈是上下文工程
文章目录1. 别再卷模型了根因分析的瓶颈早就换地方了1.1 以前大家的执念模型越强排障越猛1.2 现在业内共识喂什么数据比用什么模型重要2. 两种主流玩法现在风向明显变了2.1 第一种代理式让模型自己满世界找线索2.2 第二种确定性提前把线索摆上桌再让模型判3. 有人专门做了实验把这事给扒明白了3.1 为了测准专门造了带干扰的故障3.2 测试结果挺反直觉的4. 代理式不是不行是不适合做主战场4.1 它的优势在未知故障上4.2 生产环境大家都选了稳的5. 算完账更明白未来卷的是上下文工程5.1 推理本身真花不了多少钱5.2 下一个赛场是怎么给模型“喂饭”P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看 传送门https://blog.csdn.net/qq_740133651. 别再卷模型了根因分析的瓶颈早就换地方了1.1 以前大家的执念模型越强排障越猛做可观测性的同行应该都有印象前两年聊AI根因分析开口先问你用的什么模型。参数够不够大版本够不够新好像只要模型拉满线上故障都能自动给你摆平。这就跟打排位输了怪手机帧率不够似的从来不想想自己是不是连技能都没点对。结果真用到生产环境才发现很多时候模型判错根因根本不是它推理不行是你喂给它的东西全是无效信息。1.2 现在业内共识喂什么数据比用什么模型重要现在越来越多工程师反应过来了把精力花在整理上下文上回报率比换个更贵的模型高多了。就像做饭食材选得好、处理得干净普通厨师也能做出好菜你给一堆烂菜叶子米其林大厨来了也没辙。对于做事件响应的团队来说这话尤其戳人——之前砸钱升级模型没解决的问题把上下文理清楚之后准确率直接上去了。2. 两种主流玩法现在风向明显变了2.1 第一种代理式让模型自己满世界找线索早期很多AI根因方案走的是代理路线给模型配一堆工具让它自己查日志、看指标想查什么查什么。听着很智能对吧就像雇了个全权负责的侦探你只需要说“案子交给你了”剩下的他自己跑。但问题也出在这侦探跑嗨了很容易跑偏你根本不知道他中间去了哪、见了谁。生产环境里用多代理排障出了错连调用堆栈都没有全是模型之间乱七八糟的对话想复盘都无从下手。2.2 第二种确定性提前把线索摆上桌再让模型判现在行业慢慢往第二种走先靠确定性规则把信号关联好把因果链捋得差不多了再把整理好的上下文丢给模型。说白了就是先有人把嫌疑人、物证、时间线都整理好再让模型做最终判断。像Coroot、Dynatrace这些厂商的AI都是这个路子——靠拓扑结构遍历依赖关系找根因不是让模型在那瞎逛。好处太明显了结果可复现出错了能定位是哪层的问题不会出现“模型突然就错了”的玄学场面。3. 有人专门做了实验把这事给扒明白了3.1 为了测准专门造了带干扰的故障之前总有人吵排障不准到底是模型笨还是给的证据不对Coroot的工程师干脆做了个对照实验直接把这两个变量拆开看。他们用Chaos Mesh注入网络延迟搞出前端502的故障还故意放了误导性信号——比如被网络耗时放大的查询时长专门用来迷惑模型。就像破案现场故意放个假凶器就看侦探会不会被带偏。最后给11款模型一模一样的提示词差不多一万个token让它们找根因、说因果链、给修复方案。3.2 测试结果挺反直觉的Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro这几个顶流专有模型全过了不仅找对根因连怎么删实验、删定时任务都说得明明白白。大参数的开源模型大多也表现不错。有意思的是小模型赛道Gemma 4 31B反而成了唯一找对根因的自托管模型参数更大的Qwen3.6 35B和Qwen3 Coder Next反倒栽了。你看只要上下文给得准模型差距其实没那么夸张反过来上下文乱参数再大也白搭。4. 代理式不是不行是不适合做主战场4.1 它的优势在未知故障上当然也不是说代理式就一无是处。能自己找数据的模型能抓到固定管道根本想不到的信号遇上从来没出现过的新型故障这能力就很关键。就像常规警情走流程最快但遇上悬案还是得给侦探自由调查的权限。4.2 生产环境大家都选了稳的但真到线上救火的时候没人敢赌自由发挥。现在很多工程师都放弃了纯代理设计改成“大部分流程确定性只在小环节用LLM”的方案。理由很实在可靠性更高还省token钱。毕竟凌晨三点出故障你要的是五分钟出结论不是等代理循环跑半小时最后还不知道它跑到哪去了。5. 算完账更明白未来卷的是上下文工程5.1 推理本身真花不了多少钱很多人担心用大模型排障烧钱其实真不是。相关性分析都在调用模型之前做完了真正传给模型的都是精简过的内容单次调用也就几美分。费钱的从来不是推理是你瞎塞一堆没用的日志指标平白无故给算力厂商冲KPI。5.2 下一个赛场是怎么给模型“喂饭”现在业内基本达成共识AI根因分析的推理部分差不多已经解决了。接下来真正的硬骨头是怎么在调用模型之前准备好又准又紧凑的上下文。Anthropic、LangChain还有一堆可观测性厂商现在都在往这个方向使劲核心就一件事筛选出信号最强的最小信息集给模型最干净的输入。说直白点以后做这个方向的工程师不用死记硬背各个模型的参数表了。能把上下文治理明白能给模型喂得又准又少才是真正的核心竞争力。P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看传送门https://blog.csdn.net/qq_74013365 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
