研究AIOps已有数月,目前手里有不少可落地的方案了,接下来会把这些方案全部整理到我的大模型课程里。欢迎大家把你遇到的场景在评论区留言。我会在能力范围内给你提供思路和建议。
经常看我公众号的朋友应该知道,这段时间我整理了很多关于AIOps的一些感想,同时也了解到了不少企业或者团队遇到的问题。其中最为典型的问题就是关于告警以及根因分析。
可能对于小规模应用或者平台来说,问题很好解决,因为体量不大,系统复杂度也非常简单,问题就很容易定位。然而,大规模应用所产生的海量告警信息以及复杂的系统架构要想做问题定位是非常难的!这个也是我们不得不做AIOps的一个根本原因。
今天这篇文章给大家提供一个解决海量告警问题的新思路 —— 利用静态DAG赋能多模态问答。
- 什么是DAG -
DAG是“Directed Acyclic Graph”的简称,中文叫“有向无环图”。
可以拆成三部分理解:
- 有向(Directed):图里的连线有方向,表示“先后”或“依赖”关系,比如 A → B 意味着“做完 A,才能做 B”。
- 无环(Acyclic):不会出现绕一圈又回到原点的情况,比如不会有 A → B → C → A 这种“自己依赖自己”的闭环。
- 图(Graph):就是用“点”和“线”来表示事物及其关系。DAG 的点通常表示任务、步骤或子问题,线表示依赖关系。
-DAG如何赋能多模态问答 -
- 传统RAG方法的局限性
传统RAG常用的“统一检索+一次性生成”流程,在面对运维领域复杂问题时,往往难以满足精准诊断与高效解决的需求,我总结了三点:
1)缺乏结构性:无法对复杂问题进行有效拆解,容易遗漏关键信息,导致回答不全面或不准确。
2)不适用于多跳问题:面对需要多步骤推理和多次信息检索才能解决的问题(即“多跳问题”),传统RAG难以应对。例如,当数据库出现连接超时告警时,传统方法难以一步到位地给出解决方案。
3)难以处理模态切换:运维数据不仅有文本,还包括图片(如告警截图、设备图纸)、表格(如配置清单)等多种模态。传统RAG在处理跨模态信息时存在困难。例如,当一个告警包含一张CPU使用率飙升的监控图时,传统方法难以有效结合图像信息进行诊断。
2. RAG新范式:静态DAG规划
基于静态DAG的RAG新规划范式能将复杂运维问题进行结构化拆解,分解…