圆桌论坛精华实录 | AI是重构运维逻辑的颠覆性革命？博睿数据与行业大咖亲授“AI+可观测性”的破局之道

全文约6500字  阅读时间约15分钟。

当前，人工智能正处于高速发展阶段，以前所未有的深度与广度重塑商业规则，推动企业数字化转型从规模化扩张迈入精细化深耕。面对这场汹涌而来的智能变革，运维领域正面临一道核心命题：AI究竟是提升效率的辅助工具，还是重构运维逻辑的颠覆性革命？

国内金融、制造等关键行业已步入数字化深水区，却普遍陷入运维复杂度激增、故障定位滞后、数据价值难以转化等行业焦虑。如何让AI技术真正落地运维场景？如何通过可观测性打通全链路数据孤岛？如何平衡技术创新与业务实用价值？这些痛点，正成为企业突破增长瓶颈的迫切诉求。

近日，在博睿数据“Bonree ONE 2025秋季版全球产品发布会”的圆桌论坛环节，业界技术领袖齐聚一堂，围绕以上行业痛点以及“AI + 可观测的探索、实践和展望”这一话题展开深度对话。圆桌论坛由博睿数据CTO程捷主持，特邀四位来自金融、制造等关键领域的技术领袖，共同探讨了AI+可观测性在实战中的应用价值与未来图景。

论坛嘉宾：

黄保庆：华为数字金融军团运维负责人

王泽峰：深圳农商银行运维大模型架构师

贺占湘：豪鹏科技信息部运维负责人

权宁升：国投证券全链路可观测负责人

下文为“AI + 可观测的探索、实践和展望”圆桌论坛精华实录。

议题一：当前 AI+可观测性面临的挑战

从监控到可观测，数据与技术的跨越融合

程捷：在当前数字化浪潮中，系统复杂性呈指数级增长，传统监控手段已力不从心。可观测性让我们能够洞察系统内部的真实状态，AI则赋予我们预测和自主行动的能力，两者的结合正在重新定义运维的边界和价值。今天我们将聚焦三个核心话题与大家共同探讨：第一，当前AI+可观测性面临的挑战；第二，AI+可观测性的落地场景；第三，AI+可观测性对运维组织文化、协作方式带来的重大变革。当前，系统复杂性、故障定位、体验保障是我们共同的挑战，而解决这些问题的第一步，必然是获取高质量数据并建立统一的可观测体系。Bonree ONE在过去两年持续完善可观测统一全域数据模型，核心目标就是解决数据质量问题。想请教各位，在构建企业级可观测性平台的过程中，遇到最大的挑战是什么？

黄保庆：我认为可观测性领域主要面临两大挑战。第一，从全域数据层面来看，日志、链路、拓扑告警、指标等多维数据的融合，如何高效实现数据集成，是实际案例中遇到的一大挑战。第二，以银行为例，核心系统完成分布式架构转型后，运维对象和监控数据规模大幅增长。某股份制银行每天产生约100TB日志，如此庞大的数据量，对数据接入性能和处理效率提出了极高要求。

王泽峰：我们前期研究和调研发现，数据割裂是推进可观测性建设的最大阻碍。告警信息分布在各个系统中，很难将其有效串联起来，这是我们实际面临的核心问题。

贺占湘：结合豪鹏科技的发展历程，我们的监控体系构建和大部分企业类似，初期依赖手工脚本及Zabbix、Prometheus等工具。这些工具能告知某台机器CPU满负荷或数据库反应慢，但无法应对复杂故障。豪鹏科技是新能源锂电池制造企业，与金融等行业存在差异，比如惠州工厂的自动化设备有复杂链路，会跨地域调用深圳工厂的资源。当产线出现业务停摆时，Zabbix显示服务器资源正常，Prometheus提示数据库无异常，问题可能出在网络波动、微服务接口超时等方面，此前复杂故障的排查往往需要小时级别，引入博睿数据全链路可观测后，能够精准定位复杂链路调度中的问题接口，排查效率大幅提升，为运维工作带来了质的飞跃。

权宁升：国投证券在数据分析初期整合了所有运维数据，但数据间的串联难度极大。这并非技术问题，更多需要各开发部门配合，技术层面反而相对简单，数据串联却耗费了大量时间。我认为，提前做好数据标准化及处理加工，对后续整体链路串联至关重要。这一经验也应用到了新一代架构建设中，提前设定好所有需要的ID，为项目推进奠定了良好基础。

程捷：我今年接触了很多券商客户，他们都想推进数据融合，但普遍存在顾虑：博睿数据能否帮助他们实现全量数据融合？正如您调研，国投证券是证券行业真正落地全链路可观测的首家机构，具有开创性意义，对整个行业都有借鉴和鼓舞作用。想请教您，在众多券商想做而不敢做的情况下，国投证券是如何规划体系，打通从券商前台业务到后台核心交易的每一个环节？过程中是否存在一些外行难以想象的数据盲区？

权宁升：核心前提是我们已经搭建好了运维数据底座，在此基础上自然要推进全链路建设。初期我们只是想找到一条完整通路，尝试金融商店等场景后，最终在手机证券委托场景中实现了突破。数据串联和标准化过程中，每一条数据都有其特性，会基于时间戳、业务逻辑架构生成，串联时需要考虑当日唯一性、标准性、位数一致性等多个问题。这个过程中遇到了诸多挑战，真正实现数据串联后，确实令人振奋。很多人觉得 “把数据串起来就行”，但实际操作远非如此简单。核心问题不在技术，而在数据标准化和处理，这涉及Kafka、ES等各类组件的索引构建、存储周期、调用方式等细节。数据孤岛确实存在，但只要保持耐心和对数据严谨的态度，就能找到数据间的关联。我们在处理APM数据调用时，面对80种数据类型，最终找到了能串联所有数据的方式。因此，做好全链路可观测，技术是基础，更重要的是严谨态度和足够耐心。

程捷：您的分享背后隐含两个关键前提：一是国投证券的原有数据基础打得非常扎实；二是国投证券的主动推进，让厂商和合作伙伴的助力变得更高效。仅靠厂商的力量，很难完成这样的项目，需要甲乙方默契配合、分工协作才能达到最佳效果。接下来想请教王总，今天的主题围绕AI展开，您作为运维大模型架构师，从您的视角来看，当前的可观测数据是否足够喂养运维大模型？如果想让AI在可观测领域和运维领域更好发挥作用，现有可观测数据需要进行哪些预处理或增强？

王泽峰：目前我们主要基于开源大模型，探索微调与预训练的应用方式，相关实践仍在推进中。开源大模型的现有能力已经很强，自主训练的模型未必能达到同等效果，在微调及垂直领域赋能方面，我们可以让模型更贴合自身需求，弥补垂直领域的知识盲点。我非常期待运维领域专有大模型的出现。

程捷：从各位专家的分享中，能看出大家对数据质量的重要性已形成明确共识。我认为高质量数据至少要满足三个条件：结构化、标准化、语义化。只有达到这三点，才能让AI大模型更好地理解数据语义，只有做好数据基础工作，AI才能更便捷地调用和消费数据，真正发挥价值。AI话题已讨论多年，众多厂商和甲方都推出过相关解决方案，但至今仍缺乏成熟的商业产品落地。我认为核心问题在于方法论层面：过于关注上层场景，而忽视了底层基础建设，这需要我们进行方法论的切换和改革。

 议题二：AI+可观测性的落地场景

AI的赋能时刻——从“被动”到“主动”

程捷：接下来我们进入第二个议题：AI在可观测分析方面的落地场景。AI赋能可观测与运维的场景十分丰富，AI应成为运维团队的伙伴或数字员工，核心是思考人类与机器的协作模式。想请教各位专家，除了根因分析、告警异常检测、告警收敛等常见场景，从实践来看，AI在可观测领域未来最令人兴奋或期待的场景是什么？它对业务的真实价值体现在哪里？

黄保庆：从我们的实践及服务金融行业客户的经验来看，最具价值的场景是通过大模型实现全链路故障定界与根因分析。今天发布的 Bonree ONE 2025秋季版的产品能力，让我们看到了这类优质产品和能力的落地，我们期望通过这种能力，帮助银行等金融客户实现5分钟故障定级定位的运维目标，这是我们非常期待解决的价值场景。

王泽峰：大模型的出现，让我多年前的一个设想有了实现的可能。当时做灾备切换时，能否实现 “一句话切换”，出现问题后AI通过语音告知问题、询问是否需要处理和授权。我理想中的最终状态是，AI能支持声纹识别，通过自然语言交互完成操作，成为真正的伙伴，与人类交互无差异。人类负责提出业务需求、监督决策，AI负责执行。当前AI在根因定位分析、语音判断、声纹识别等方面还有很大发展空间，运维领域的AI应用前景广阔。

贺占湘：结合我们当前的落地场景，不谈未来，只说当下：AI+可观测性基于历史数据的异常检测。此前普通告警依赖人为设置固定阈值，但生产线场景复杂多变，不同时间段可能生产不同客户的产品。即便当前运行状态值在正常范围，AI也能通过历史数据预判趋势，告知未来一周可能出现的偏离，为我们预留充足的预防时间。

权宁升：我更关注运维故障的提前发现。故障发生后再进行根因分析或解决，始终不够理想。如果能在故障发生前实现预测，价值会更大。我们之前已做过相关尝试，通过趋势分析、调用链情况、日志数据等，判断故障可能出现的时间。比如面对大量行情涌入时，提前预测并及时扩缩容，保障业务稳定。

程捷：我非常认同权总的观点，无论故障发现速度是1分钟还是5秒钟，故障已经发生并对业务造成了损失，只是损失大小不同。业内常说“1-5-10”原则，本质上仍是故障发生后的应对。因此，博睿数据在这一方法论前增加了一个“0”，即“0-1-5-10”，核心目标是让80%的故障在发生前被识别、被处置。这也是我们接下来的发力重点。

回到话题，想请教黄总，华为自身业务及服务的客户场景都极为复杂，尤其是金融行业客户，场景更复杂、压力更大。当前通用大模型存在幻觉这个关键问题 ，而运维是严肃且实时性要求极高的场景，运维故障处置的实时性要求极高，部分客户已不满足“1-5-10”，而是追求“0.5-3-5”的更快响应。如果大模型的幻觉问题无法解决或有效避免，大模型驱动的故障预测与分析，离金融等高压行业的大规模应用还有多远？达到何种程度，金融机构的运维团队才敢采信其结果并采取行动？

黄保庆：目前基于大模型构建运维场景，行业内都在进行探索和实践。最基础的场景是运维问答，用于沉淀案例和知识库。但要解决故障发现、预测等核心问题，确实面临诸多挑战，幻觉就是常见问题——同一问题可能得到不同反馈，这是运维大模型在故障定位等场景中需要重点探索的方向。

从实践来看，华为在计算、网络、存储等单领域的故障定界与分析，结合行业实践经验和专家经验，已形成一定探索成果。这类场景的故障模型相对容易沉淀，成熟度较高，离大规模商用可能更近。但我们的目标是从应用或业务视角出发，解决从应用到云、网络的全链路故障定界与定位问题，这一领域目前难度较大，仍需行业共同探索。关于可信度，运维对准确性要求极高，目前没有统一标准答案。但我们认为，根因分析结论的准确率至少要达到90%，甚至追求100%的准确性。只有达到这样的技术要求，大模型驱动的运维应用大规模商用才未来可期。

程捷：我认为当前通用模型的奖励函数需要修正，要做到“知之为知之，不知为不知”，避免在没有数据支撑的情况下一本正经地错误回答，运维领域需要更严肃的大模型。

接下来想请教贺总，我们大多来自金融或IT行业，而您是制造业代表。豪鹏科技作为高科技制造业，运维对象包括物联网设备、生产系统等。AI+可观测性在保障生产连续性、提升产品品质方面，与其他行业相比有何不同？是否有独特场景？

贺占湘：目前我们的落地场景主要集中在IT系统，包括生产系统、资金系统、ERP决策系统等的业务连续性保障。这些系统一旦发生故障，生产将直接停摆，造成惨重损失。我们主要通过三个方面保障业务连续性：一是AI+可观测性的容量预测，根据排程计划预判服务器资源负载，提前做好扩容或预防；二是快速故障定位，通过全链路监控实现分钟级排查；三是我们下一步正在探索的IT与OT融合，将电芯生产全链路涉及的IT系统数据，与车间生产线物联网设备数据按时间线绑定，为每个电芯建立完整的数据履历，最终实现数字孪生。通过数字孪生，可追溯电芯生产全流程及后续安全等相关问题。

程捷：数字孪生也是我们的重要规划。在设计3.0版本数据模型时，我曾向研发和产品团队分享，可观测模型应实现数字孪生——将物理世界中的所有监控对象模型化，还原所有对象之间的静态关系和运行状态关系，这样才能真正实现“可观测”。这一目标目前仍有较长的路要走，但值得专业可观测厂商持续加大投入。

议题三：AI + 可观测性对运维组织文化、

协作方式带来的重大变革

程捷：前面我们探讨了挑战和场景，接下来聊聊AI+可观测性对组织、文化的变革展望。任何革命性新技术的推广落地，最终都会推动人与组织的变革。想请教各位，引入AI和可观测性后，对运维团队的技能结构、协作流程、组织文化会带来哪些冲击和改变？作为团队负责人，你们如何带领团队适应这场变革？

黄保庆：从华为的角度来看，最大的改变在于技能要求的转变。比如需要掌握基于workflow的运维场景编排能力，以及MCP服务封装等相关技能，这对团队提出了新的挑战。从服务的客户来看，金融机构的组织架构也发生了明显变化，不少机构专门成立了智算中心或AI部门，负责AI平台能力建设。未来，AI应用的问题分析与定位，包括大模型调用、智能体运行等相关问题的排查，也将成为新的挑战。

王泽峰：我们公司自上而下都非常重视AI，在考核上对AI相关工作有所倾斜，同时组织了大量培训和交流活动。我们深刻认识到AI的重要性，积极拥抱AI变革，通过技术骨干带动其他成员，让大家主动适应并掌握相关技能。

贺占湘：我们团队的变革是循序渐进的赋能，主要体现在三个方面：一是技能转变，从以往擅长被动故障处理，转向主动分析，需要学习APM相关指标的使用和配置等专业知识；二是协作模式升级，打破部门壁垒，以数据驱动构建协同机制，将所有数据整合至大屏，IT、工艺、生产等部门人员共同观测数据、协同决策；三是文化理念转变，从“救火英雄”的认知，转向“预防专家”的理念，引导团队聚焦故障预防。

权宁升：我更多从用户角度考虑AI的应用价值。我负责ES平台和ClickHouse平台，用户使用过程中面临两个核心需求：一是ES基于Lucene开发，语法复杂、学习成本高，用户希望通过自然语言处理，用中文描述查询需求就能自动生成对应查询语句，提升使用便捷性；二是全链路串联后涉及大量指标和日志数据，用户希望通过简单提问就能获取数据是否存在问题的分析结果。这需要AI充分了解公司内部业务数据，因此我们在部署AI时，更注重业务数据的全面性，将内部所有数据纳入训练，构建内部模型，更好地为用户解决复杂数据分析问题。所以我认为AI的价值主要体现在两方面：一是让用户使用更便捷；二是帮助用户解决复杂数据分析问题。

程捷：我也分享一下博睿数据的实践。我们对产研组织架构进行了较大调整，核心思路是以AI为中心重构组织逻辑。软件领域的康威定律指出，组织架构决定最终的软件形态，要打造以AI为中心的新一代产品，首先需要调整组织架构。我们将团队拆分为两大板块：一是AI底座团队，负责数据底座和AI基础能力建设；二是AI上层应用团队，推动所有应用AI化。不同于以往按业务场景划分团队，现在按AI分层重构架构。短期内可能看不到明显变化，但运行一段时间后，团队的行为模式和认知会随之转变。

最后想请教王总，我非常期待运维领域出现更严肃的专有大模型。作为行业前沿探索者，您能否展望一下，未来3年AI+可观测性会演化成何种形态？届时运维团队或运维工程师的工作方式会发生哪些较大改变？

王泽峰：当前AI+可观测性处于发展初级阶段，相信3年后将进入成熟期，行业会呈现优胜劣汰的格局。随着AI技术的快速发展，AI+可观测性将更加智能、高效，运维层面会实现大幅提升。

程捷：最后我来做一个简单总结：

• 从华为的实践中，我们学到了复杂严苛环境下构建可观测性的战略定力和全局视角；

• 从深圳农商行、国投证券的探索中，看到了金融行业在核心领域推动技术深度创新、实现业务全链路融合的勇气；

• 从豪鹏科技的经验中，感受到了AI+可观测性在实体经济中焕发出的强大生命力。

过程中我们也谈到了诸多挑战，比如数据质量问题、组织架构适配 AI 时代的问题等，但共识十分明确：AI与可观测性的结合已不是选择题，而是通往未来智能运维的必由之路。我们兴奋地看到，AI+可观测性让Bonree ONE的产品战略从可观测平台升级为运维团队的智能伙伴。2025年是Bonree ONE真正的AI元年，此前我们谈到的AI更多是机器学习，并非真正的通用型AI。如今，我们推出了小睿助理，通过类人交互的方式与用户沟通，这标志着我们正式迈入AI新时代。

再次感谢四位嘉宾的真知灼见，也感谢在场各位听众的参与，希望今天的论坛能给大家带来启发。