研究AIOps已有1年多,目前手里有不少可落地的方案了,而且目前我们已经有了自研的AIOps平台,欢迎关注并与我链接,需要的话评论区留言。
毫不夸张地讲,2026年是AI落地最快的一年!包括AIOps领域,越来越的公司已经渡过了从0到1的阶段,开始逐渐向10甚至100迈进了。
前两天有个学员跟我请教AIOps体系里如何设置权限策略。因为,他做的AIOps在一次问题排查中差点把生产库给删掉了,幸亏发现得早。
今天这篇文章跟大家聊聊我的一些思路。
01 | 不要把AI当“超级管理员”,要把它当一个新员工
很多团队接入 AIOps 时,很容易走一个捷径:
为了让 AI 什么都能查、什么都能执行,直接给一个高权限账号。
比如 Kubernetes 给 Cluster Admin,Linux 给 root,数据库给 DBA 权限,云平台直接给管理员 AK/SK。
这样开发确实快。
AI想查什么就查什么,想执行什么就执行什么。
但问题也很明显。
假设用户输入一句:
“帮我清理一下没用的服务。”
AI理解错了“没用”的范围,真把生产环境几个服务删了怎么办?
更麻烦的是,AI面对的不只是“判断错误”,还有提示词注入、工具调用错误、上下文污染等问题。OWASP 在针对大模型和 AI Agent 的安全建议里反复强调一点:Agent只能拿完成任务所必需的最小权限,高风险操作应该增加人工确认。
所以做 AIOps,我更建议把 AI 当成一个刚入职的运维工程师。
你不会第一天就把 root 密码、生产数据库权限、云平台管理员账号全部交给一个新人。
AI也一样。
02 | AI权限不能只分“有权限”和“没权限”
传统系统经常是 RBAC:
你是什么角色,就拥有什么权限。
但到了 AIOps,这还不够。
因为 AI 一次任务往往横跨很多系统。
更实际的做法,是至少把权限拆成几个维度:
第一,数据权限。
AI能看哪些数据?
普通监控指标可以看,业务日志可以看,但数据库里的身份证号、手机号、订单敏感信息是不是应该脱敏?
第二,工具权限。
AI可以调用 Prometheus 查询,可以调用日志平台,但是不是一定需要 Shell?
能够查 Kubernetes,不代表必须能执行 kubectl delete。
第三,操作权限。
同一个工具也应该区分读和写。
比如:
查看 Pod:允许。查看日志:允许。重启 Pod:有限允许。删除 Deployment:需要审…