企业官网建设流程全解析

—— 系列第五篇：监控截图、报错弹窗、架构拓扑，图片也是可以理解的运维资产

本篇定位：运维世界的知识一半在文字里，另一半在截图里——zabbix 面板、报错弹窗、交接时留下的拓扑图。这篇讲怎么把图片直接"喂"给 AI SSH 运维 Agent，让多模态能力落地成 6 种真实用法，每种都给出可直接照抄的指令。

目录

• 一、为什么运维的一半知识在截图里
• 二、用前置条件：什么模型能"看图"
• 三、6 种真实用法（每种一个照抄指令）
• 四、看图排障完整案例：一次 5 分钟的 5xx 风暴定位
• 五、让截图变成可沉淀的知识库
• 六、看图能力的天花板与边界
• 七、常见问题

一、为什么运维的一半知识在截图里

回想一下你的运维日常，有多少关键信息是以图片形式存在的：

• 监控面板截图：CPU 曲线突然飙高的那一刻，只有截图留了证据；
• 报错弹窗：同事发来的"你看这报了个什么"永远是一张图；
• 架构拓扑：交接文档里最值钱的那张 Visio 图，早变成了 png；
• 告警截图：半夜值班群里的第一现场，也是一张图。

传统的运维工具对这些图片无能为力，它们只能进 IM 记录、进网盘，从此沉睡。而多模态大模型的出现，让图片第一次变成了"可以提问的对象"。

AI SSH 运维 Agent 的多模态看图能力，解决的就是这"另一半知识"：你把图丢给它，它读出结构化信息，还能结合你录入的主机台账做交叉分析。

二、用前置条件：什么模型能"看图"

看图是模型能力，不是工具能力。选模型时注意：

内网团队的注意点：Ollama 跑文本模型（qwen2.5:7b）是看不了图的，需要额外拉取视觉模型，如ollama pull llama3.2-vision:11b（约 8G 显存）。值守和看图可以配两个模型，在界面上随时切换。

三、6 种真实用法（每种一个照抄指令）

用法 1：读监控面板，找异常根因

【附截图：zabbix 的 CPU 与网络流量面板】 这是 web02 昨晚 20:00 到 22:00 的监控截图， 读出 CPU 和流量的异常时段，结合当前机器状态分析当时发生了什么

AI 会先读图（异常时段、峰值数值），再 SSH 上 web02 查当时的日志和任务记录，把"图上的现象"和"机器上的原因"接起来——这是单看图或单看机器都做不到的。

用法 2：报错弹窗秒定位

【附截图：某 Java 应用启动失败的报错弹窗】 读出报错的关键行，告诉我大概是什么问题， 需要的话连上 app01 帮我确认配置文件

实践里，八成的弹窗截图 AI 能直接点名原因（端口占用、配置项拼写、JVM 参数错误），剩下的也能给出"先查哪里"的方向。

用法 3：拓扑图 + 影响面分析

【附截图：业务架构拓扑图】 这是我们的核心链路，如果 10.10.10.20 这台挂了， 影响哪些业务？结合当前各机器的健康状态给我一份影响面评估

这是交接场景的杀手级用法：新接手团队的人拿到一张拓扑图，就能开始做容量和风险评估，不用等老员工把知识口口相传。

用法 4：告警截图自动归档

【附截图：值班群里的告警截图】 识别这是哪台机器什么指标告警，和我台账里的主机对上号， 然后连上这台机器看一眼现在恢复了没

用法 5：配置对比——两张nginx.conf的截图，让它找出配置差异；用于"线上到底改了什么"的考古。

用法 6：手写/白板图识别——机房白板上画的手绘链路，拍照丢进去，让 AI 转成文字版拓扑存进知识库。

四、看图排障完整案例：一次 5 分钟的 5xx 风暴定位

真实时间线：

1. 09:41值班群收到告警推送：web 层 5xx 率 12%；
2. 09:42同事甩过来一张 grafana 面板截图；
3. 09:42把截图丢给 Agent，指令：读异常时段，连上 web01、web02 查那个时段日志；
4. 09:44AI 报告：图上 09:35 流量突增 4 倍 + 5xx 同步飙升；机器日志显示 upstream timeout，指向 order 服务；order 服务所在机器内存打满，swap 在抖；
5. 09:46确认是新上线的营销活动流量，扩容 order 服务实例，5xx 归零。

5 分钟定位，其中图片解读花了几十秒、机器侧排查花了两分钟、剩下的是人在做判断。过去同类故障平均要 20 分钟起步——光是"登四台机器翻日志"就够磨的。

五、让截图变成可沉淀的知识库

图片用完即弃最可惜。建议这样沉淀：

1. 命名规范：日期_主机_现象.png，如20261012_web02_5xx风暴_grafana.png；
2. 让 AI 生成图注：

给这张截图写一个 200 字以内的图注：时间、主机、现象、根因、处理方式

3. 归档：图 + 图注一起放进团队知识库，下次搜"5xx"直接命中这次案例。

坚持一个季度，你们团队就有了一份"有图有真相"的故障案例集——这比任何模板化的复盘文档都真实。

六、看图能力的天花板与边界

多模态不是万能的，三条边界要清楚：

1. 小字和密集表格会读错：监控面板里那些 9 号字以下的数值，关键数值要人工核对，AI 读图适合"看趋势、找异常"，不适合当读数器；
2. 它看不懂图外的东西：截图只能反映截图里的信息，图外的关联还是要靠它 SSH 上机器查证——所以"读图 + 上机验证"必须连用；
3. 手绘拓扑有歧义：白板照片里箭头方向模糊时，AI 会猜，重要结论让它标注"不确定项"。

七、常见问题

Q：图片会占用很多上下文吗？
一张截图折算大约几百到一千多 token，比把日志贴进对话便宜得多。批量读图建议一张一张来，质量更稳。

Q：截图里有 IP 和账号，会泄露吗？
用云端模型时出的是"这张图的内容"，走的是你的 Key 和模型厂商；敏感环境用 Ollama 视觉模型，图完全不出去。

Q：能直接把截图变成监控配置吗？
可以提需求但别全信：让它"根据这张面板的指标项，生成一份值守巡检规则的草稿"，草稿人工过一遍再上线。

本文为「AI SSH 运维 Agent」系列第 5/8 篇。下一篇：《管的不只是 Linux》——Windows 服务器、交换机防火墙、Docker 与中间件的接入实战。