智能运维的工程约束：从“检测到什么”到“什么值得干预”

智能运维在 2026 年面临的核心张力，不是算法不够多，而是每一层都在与自己的“过度自信”作斗争。检测层倾向于把所有偏离都标为异常，RCA 层倾向于给出一个确定的根因，执行层则容易把“模型输出”误当作“可以动手”的信号。真正可落地的智能运维，恰恰是在每一层主动收缩边界：检测层学会忽略，RCA 层承认状态，执行层把最终裁量权交给确定性闸门。

检测层的第一课是不检测。孤立森林对高维指标友好、无需标注，是异常检测的常用起点，但直接对原始时序打分，瞬时毛刺与持续性劣化无法区分。工程上的做法是引入滑动窗口特征——滚动均值、标准差、环比变化——让模型看到趋势而非单点，再用持续性过滤把“异常标记”与“触发干预”解耦。下面的最小实现刻意保留了尖峰噪声与持续劣化两类信号：模型可以标记前者，但只有后者进入处置管道。

import numpy as np, pandas as pd
from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler

np.random.seed(42); n = 600; t = np.arange(n)
cpu = 40 + 15*np.sin(2*np.pi*t/144) + np.random.normal(0, 4, n)
cpu[350:380] += 35                      # 持续劣化
cpu[[80, 200, 500]] = 92                # 瞬时尖峰

df = pd.DataFrame({"ts": pd.date_range("2026-01-01", periods=n, freq="5min"),
                   "cpu": np.clip(cpu, 0, 100)})
w = 12
df["mean"] = df.cpu.rolling(w, min_periods=w).mean()
df["std"]  = df.cpu.rolling(w, min_periods=w).std()
df["pct"]  = df.cpu.pct_change(w).clip(-5, 5)
d = df.dropna().reset_index(drop=True)

X = StandardScaler().fit_transform(d[["cpu","mean","std","pct"]])
m = IsolationForest(contamination=0.08, random_state=42).fit(X)
d["flag"] = m.predict(X)
d["sustained"] = (d["flag"] == -1).rolling(3).sum() >= 3

for _, r in d[d.sustained].iterrows():
    print(f"[干预信号] {r.ts} 平滑CPU {r['mean']:.1f}%")
print(f"过滤前异常窗口 {(d.flag==-1).sum()}，持续异常 {d.sustained.sum()}")

这段代码的核心判断是：检测层输出的不应是“异常列表”，而是“值得干预的信号” 。生产实践中，STL 分解后仅对残差序列训练孤立森林，并结合 OpenTelemetry 标签聚合做跨实例校验，可将误报率从 34.7% 压到 3.9%。检测的克制，是后续一切环节不被噪声淹没的前提。

检测解决了“什么时候动”，RCA 解决“动谁” ，而这一步在微服务环境下远比检测困难。静态因果图的失效是结构性的：版本更新让拓扑持续流动，缓慢内存泄漏让故障带有记忆，而无状态模型两者都捕获不了。StaR 用时序图网络替代静态格兰杰因果，引入持久记忆状态和动态消息传递，在动态、有状态数据集上将 AC@1 从 0.028 拉到 0.920。Topo-MFP 则从另一条路径逼近同一问题：将日志模板语义、指标传播和链路拓扑融合为诊断导向的传播图，在 AIOps2022 上达到 0.872 的 Hit@1。两者的共同指向是：RCA 的精度不取决于模型规模，而取决于它是否承认系统拓扑是流动的、故障是有历史的。

当 LLM 进入 RCA 环节，问题从“准不准”延伸到“可不可审计”。OpenRCA 等基准显示，强 LLM 在真实遥测上的 Top-1 准确率仍低于 30%，且经常通过错误推理“猜对”答案。RCAgentOps 的应对方式是将调查分解为工具介导的子任务，每个假设绑定结构化的证据记录，最终排序由确定性规则完成而非模型自由发挥，从而在公开基准上达到 0.852 的 Top-1 准确率。VeriTrail-RCA 更进一步，引入矛盾检查器，在支持证据与反驳证据冲突时触发一次重新推导，并输出可审计的证据卡。生产侧的经验同样冷峻：某平台在接入发布变更信号之前，LLM 对“网关超时”类故障的根因准确率仅有四成；补上变更数据后跃升至九成以上。LLM 的可靠性不来自模型本身，而来自证据链是否完整、可追溯。

执行层是智能运维专业性的最后一道体现。SAFE-HealCloud 综合多项研究与工业实践后给出的核心结论是分级自治：低风险可逆操作自动执行，中风险操作先金丝雀发布并以策略门控，高风险变更保留人工审批。AURA 的工程实现将这一原则固化为确定性的风险层级：T1（如扩缩容）干跑后执行，T2（如回滚部署）设置冷却窗口，T3 进入人工审批队列，T4（如删除资源）始终拒绝——模型自报的风险等级被完全忽略，闸门按工具映射独立裁决。在一次混沌工程演练中，AURA 检出 7/7 故障，执行 6/6 范围内修复，零误修复；DNS 故障因超出命名空间白名单而被正确拒绝并升级人工。这揭示了一个常被忽视的事实：智能运维的成熟度，体现在系统拒绝执行的能力上，而非执行的能力上。

智能运维的专业性，最终不是关于“AI 能做什么”，而是关于每一层如何诚实面对自己的不确定性：检测层用持续性过滤承认噪声的存在，RCA 层用状态化图模型承认拓扑与故障记忆的流动，LLM 层用证据绑定承认幻觉的不可消除，执行层用确定性闸门承认模型的提议权与系统的裁量权必须分离。这四条边界，比任何一个单独的算法都更接近生产可用的智能运维。