复杂任务AI处理实践:淘宝工程师的实战手记
引言:为什么我们需要“AI协作者”?
时不时在非工作时间收到告警,只为处理一条非自身原因的上游问题; 收到工单后要翻五六个平台查日志、看配置、逐层排查,且一年要处理数百条工单; 上游改了个字段,你得手动排查几百个下游任务是否受影响; 想治理一张表,需要翻遍本表与所有上下游的代码和元数据才能下结论;
核心理念:输入明确、逻辑清晰、动作固定的“重复性工作”,都可以尝试交给AI完成。
不仅包括“批量打标”这种显性重复,也包括“数据治理”“工单排查”“夜间值班”这种看似灵活但套路固定的隐性重复工作。
核心思想:把人类的操作
抽象成 AI 的“眼”、“手”和“脑”
AI 如何感知上下文? → 构建“眼睛” AI 如何执行动作? → 构建“手” AI 如何闭环操作? → 构建“脑”
[AI大脑] ←(Prompt/Workflow)→ [工具集] ↑ ↗ ↘(决策与规划) (读取类工具) (操作类工具) (如查代码/读工单) (如发任务/评论/发布)
工具类型 | 对应能力 | 示例 |
代码平台 | 读取 代码、FILE文件、表结构 | 读代码,做分析 |
工单平台 | 提取工单内容、状态、评论 | 读取用户反馈的问题及已有排查进度 |
文档平台 | 获取文档库目录、查看文档 | 读取文档内容 |
日志平台 | 读取日志 | 提取报错原因、捞取SQL |
一句话总结:把平时“打开网页查看信息”的动作,变成AI可调用的“工具”。
ODPS治理?→ 用 Workflow:查各项信息 → 查血缘→ 读各层代码 → 判断是否可治理 → 下线or冷备or治理; 处理工单?→ 用 Agent:先理解问题类型 → 决定查日志还是看配置 → 综合判断 → 直接回复 or 流转。
最终目标:构建一个“感知 → 决策 → 执行 → 反馈”的完整闭环,让AI自己跑完一整件事。
💡 最简单方法: 把你的提示词交给 AI 润色一遍
明确输入格式和范围 — 告诉 AI "你会看到什么" 清晰定义判断标准 — 可量化、可验证(如"字段被用于 JOIN"而非"字段很重要") 规定结构化输出格式 — JSON / 表格 / Markdown 提供正反例示范 — 什么是对的,什么是错的 设置边界条件处理规则 — 遇到不确定情况怎么办
有不确定性 → 直接返回 而非冒险执行 ✅ 策略按最保守的来 宁可少治理,不可误删除 ✅ 设置安全阈值 如"仅当高置信度时自动执行"
{ "是否可缩短生命周期": " ", "是否可下线": " ", "原因": "", "分步骤结论": [ "任务优先级", "下游最长依赖时长", "上游可恢复性" ], "工具原始结果": { "下游节点列表": [...], "节点元信息": {...} }, ............}可验证性 — 人类可追溯 AI 的每一步推理; 可信任性 — 即使 AI 出错,也能快速定位问题,同时也可以根据原始数据和中间结果人工快速得出结论; 可优化性 — 通过分析过程改进 Prompt 和工具。
增加观测节点 — 在关键步骤后插入"结果确认"环节; 增加验证节点 — 在结果后添加验证环节; 重要内容人工验证 — 高风险操作和重要节点、必须人工确认; 多次执行取一致 — 对不确定结果,可人工复核。
AI自动化的不同方案
AI 对一批代码等内容,做一些梳理、分类、打标或质量检查 AI 批量从文档中提取关键信息,整理成结构化知识 批量任务创建:读取模板 → 自动生成 → 提交发布
快速见效:已有工具的情况下,几分钟就能搭建
适用判断:如果你的工作是"需要看大量信息,但只需要简单判断",就适合用工具助手。
数据治理:查表信息及代码 → 看血缘关系 → 读上下游代码 → 查上下游信息 → 评估 → 给出治理方案 → 输出治理建议JSON 定期巡检任务:每天自动检查系统状态 → 发现异常 → 分类处理 → 发送报警 特定场景工单排查:读取工单内容和已有进度 → 查询日志 → 确认问题 → 逐层排查 → 定位原因 → 回复
流程复杂:可能包含10-50个步骤,有循环、条件判断
多工具协同:需要调用多种不同平台的不同工具(查询、分析、操作) 全自动执行:设置好后可以无人值守
适用判断:如果你的工作是"步骤很多,但每次都按相同顺序做",就适合用workflow。
工单自动运维:理解用户问题 → 自主选择排查方向 → 调用相关工具 → 分析根因 → 给出解决方案 → 自动回复或流转 基线运维:监控多条基线 → 发现异常→ 持续监测直到决策时间点 → 自主决策处理→ 执行操作 → 通知相关人员
高度灵活:不依赖固…