AIOps实战13：大模型给运维带来了什么，LLM for Ops的新范式-迪斯科星球

AIOps实战13：大模型给运维带来了什么，LLM for Ops的新范式

我是老计。前面几篇讲的传统 AIOps，大多是这几年就有的东西。从这一篇开始，进入第五板块，讲这两年真正把 AIOps 又点燃的新范式，用大模型做运维，也就是 LLM for Ops。这块我有第一手体会，因为我自己就撸了一个基于大模型的运维工具 K8sChat。这一篇讲清大模型到底给运维带来了什么新东西、它和传统 AIOps 什么关系、以及它的边界在哪。

一，先讲个我自己的转变

先讲个我做 K8sChat 时的真实感受，帮你体会大模型带来的变化。

做 K8sChat 之前，我脑子里运维工具的样子，还是老一套：一堆命令、一堆面板、一堆需要背的参数和用法。运维想查个东西、做个操作，得知道用哪个命令、加什么参数、去哪个面板点。新人上手慢，老人也得记一脑子零碎。

做了 K8sChat 之后，我第一次真切感到不一样：运维可以用大白话跟系统说话了。直接问一句某个服务最近是不是不太正常、帮我看看那个 Pod 为什么起不来，它就去查、去分析、给你回话。那种把复杂操作藏在自然语言背后的顺滑感，是过去的工具给不了的。这个亲身的转变让我意识到：大模型给运维带来的，不是又多了一个工具，而是换了一种和系统打交道的方式。这一篇要讲的，就是这种转变背后，大模型到底带来了哪些实实在在的新能力。

二，大模型带来的四样新东西

具体说，大模型给运维带来了这么四样过去没有、或过去很弱的能力。

第一样，自然语言交互。这是最直观的。过去人要去适应机器（学命令、记参数、点面板），现在机器能适应人（听懂大白话）。运维的门槛一下降下来了。不光是省事，更重要的是，它让不那么资深的人，也能通过对话调动起系统的能力。这是交互方式的根本变化。

第二样，语义理解。大模型能真正读懂文本的含义。一段报错日志、一个告警描述、一份文档，它能理解在说什么，而不只是做关键词匹配。前面日志篇讲过，这让它在读日志、理解报错、总结问题上，有传统方法给不了的能力。运维世界里有海量的文本（日志、文档、工单、告警），这些过去机器很难消化的东西，现在有了能啃它们的牙口。

第三样，知识整合与调用。运维知识分散在文档、Wiki、老员工的脑子里、历史故障记录里。大模型配合 RAG，能把这些散落的知识整合起来，在你需要时调出来辅助你。相当于给团队配了一个读遍了所有运维文档和历史故障的助手。这对经验传承、对新人来说，价值巨大，下一篇会专门讲。

第四样，一定的推理与编排。大模型不只是问答，它还能做一定的多步推理和任务编排：理解你的意图，拆解成几步，调用不同的工具去完成。这正是运维 Agent 的基础，是让大模型从会说到会做的关键，我留到讲运维 Agent 那篇细说。

这四样，自然语言交互、语义理解、知识整合、推理编排，就是大模型给运维带来的核心增量。它们合起来，让运维有了一个能听懂人话、能读懂文本、能调用知识、还能干点活的智能助手。

三，它和传统AIOps是什么关系

讲到这，得澄清一个关键问题，也是面试和实践都容易糊涂的地方：大模型来了，是不是就取代传统 AIOps 了？

我的答案很明确：不是取代，是互补，是融合。这个观点我在第三篇讲两代 AIOps 时就摆过，这里再落实一下。

传统 AIOps 擅长的，大模型不擅长。从海量指标里做精确的数值异常检测、做趋势预测，这是传统机器学习的强项，大模型在精确数值计算上反而是短板，你不会指望大模型去逐个盯几十万条时间序列。

大模型擅长的，传统 AIOps 不擅长。理解文本语义、自然语言交互、整合知识，这是大模型的天下，传统方法做不来。

所以聪明的做法是让它们各干各擅长的、然后协作。我在日志篇举过那个例子：传统方法从海量日志里粗筛出可疑的一小撮，大模型再对这一小撮做深度理解和解释。传统方法当感知的眼睛，大模型当理解和交互的大脑，这就是融合。一个成熟的 AIOps，一定是两代技术并存、协作，而不是用新的把旧的一脚踹开。谁跟你说大模型能取代一切传统 AIOps，要么是不懂，要么是营销。

再给一个更完整的融合画面，帮你把这层关系记牢。一次故障处理里，两代技术可以这样接力：传统的异常检测先嗅到某个指标不对（这是眼睛）；传统的告警关联把连锁告警收敛成一个事件（还是眼睛）；然后大模型登场，读那一堆报错日志、结合知识库里的历史故障，给出一段通俗的分析和排查建议（这是大脑）；运维用自然语言追问几句、确认判断（大脑的交互）；最后真要动手修，还是人来拍板执行。你看，从感知到理解到交互到决策，传统方法和大模型各自站在自己最擅长的位置上接力，没有谁能独自跑完全程。理解这种接力关系，你就理解了现代 AIOps 的真正形态，它不是一种技术的独角戏，而是两代技术的合奏。

四，泼盆冷水，大模型的边界

最后照例泼盆冷水，因为大模型在运维里被神化得太厉害了，边界必须讲清。这也是我做 K8sChat 时最警惕的。

第一，它会幻觉，会一本正经地胡说。大模型会生成看似合理、实则错误的内容。在运维这种严肃场景，它给的分析和建议，必须当作参考而非结论，尤其涉及操作时，人的核实这一关绝不能省。一个幻觉出来的错误操作建议，在生产环境可能是灾难。

第二，它不擅长精确和实时。精确的数值计算、海量数据的实时处理，不是它的强项。别让它去干传统方法更擅长、更可靠的活。

第三，它有成本和延迟。每次调用大模型都有成本和响应时间，不可能什么都塞给它。要想清楚哪里值得用大模型、哪里用传统方法更划算，这也呼应我一直讲的成本意识。

第四，也是最关键的，安全。一旦让大模型能读敏感数据、甚至执行操作，安全风险陡增。这是我做 K8sChat 时头号大事，怎么给大模型套上安全护栏，后面讲运维 Agent 时会重点讲。

大模型给运维带来的想象空间确实大，但越是这种时候，越要保持清醒：它是个强大的新帮手，不是无所不能的神。

看清它的能力，也看清它的边界，才能真正用好它。

这份清醒，是我做 LLM for Ops 一路走来最想传递给你的东西。

小结

这一篇作为第五板块开篇，讲了大模型给运维带来什么：核心变化是换了一种和系统打交道的方式，从人适应机器变成机器适应人。四样新能力：自然语言交互(降低门槛)、语义理解(读懂日志文档等海量文本)、知识整合(配合RAG调用散落的运维知识)、一定的推理与编排(运维Agent的基础)。它和传统AIOps是互补融合而非取代：传统方法当感知的眼睛做精确数值检测预测、大模型当理解交互的大脑，各展所长协作。但边界必须清醒：会幻觉(结论要人核实)、不擅长精确实时、有成本延迟、尤其安全风险大。它是强大的新帮手，不是万能的神。

下一篇，我们挑大模型在运维里最成熟的两个落地场景细讲，用大模型做日志分析和排障、以及用 RAG 搭运维知识库。

企业官网建设流程全解析