AIOps 2026 全景综述
一句话：2026 H1 AIOps 从 “Gartner 2016 统计 ML 时代” 跨入 “LLM Agent 时代”——AIOps + AI SRE 双轨制成为行业共识，可观测性升级为 AI 基础设施。
🎯 核心范式演进（4 大转变）
| 维度 | 旧范式（2016-2024） | 新范式（2025-2026） |
|---|---|---|
| AIOps 定位 | 事前去噪（告警聚类） | 事前去噪 + 事后 AI SRE 调查 |
| 可观测目标 | ”问题在哪里？“（定位） | “问题为什么 + 怎么修？“（调查） |
| 执行模式 | 被动响应告警 | 自主投查 + 补救建议 + postmortem 自动起草 |
| 可观测维度 | Logs/Metrics/Traces | + Prompt / Tool Call / Trace / Token 四维 |
金句（96-AI观测站-从定位走向调查）： “可观测性正在从’定位’走向’调查’。”
📊 AIOps vs AI SRE（关键概念辨析）
| 维度 | AIOps | AI SRE |
|---|---|---|
| 起源 | Gartner 2016 | 2024-2026 |
| 技术 | 统计 ML | LLM Agent |
| 时机 | 事前 | 事后 |
| 输入 | 时序数据 + 告警 | 全栈非结构化（日志/对话/Confluence/code） |
| 产出 | 告警聚合 + 异常检测 | 根因假设 + 补救建议 + postmortem |
| 关系 | 互补，不替代 | 互补 |
🏗️ 标准多 Agent SRE 架构（5 角色）
来自 97-Middleware-OpsAI-AI-SRE-Agent + 85-AI-SRE-2026-Guide-Augment-Code：
告警流
↓
┌─────────────────┐
│ Observer Agent │ 监听 PagerDuty/Opsgenie
└────────┬────────┘
↓
┌─────────────────┐
│ Investigation │ ReAct 循环
│ Agent │ 并行调用 LogQL/PromQL/deploy API
└────────┬────────┘
↓
┌─────────────────┐
│ Reasoning │ 证据 → 根因假设排序
│ Agent │ + 置信度
└────────┬────────┘
↓
┌─────────────────┐
│ Action Agent │ HITL 审批 → 执行
│ （rollback/ │ 安全补救
│ scale/patch） │
└────────┬────────┘
↓
┌─────────────────┐
│ Reporter Agent │ Markdown postmortem
│ │ + Jira/Linear 更新
└─────────────────┘
🛠️ 2026 工具栈（开源 + 商业）
开源
| 项目 | 定位 | 入 CNCF 时间 |
|---|---|---|
| K8sGPT | K8s 集群诊断（“是什么”） | 2023-12-19（最早） |
| HolmesGPT | 故障调查 Agent（“为什么 + 怎么修”） | 2025-10-08 |
| Aurora（Arvo AI） | 多云沙箱执行 | - |
| OpenObserve | 高性能可观测平台（Rust） | - |
| Langfuse / Phoenix / OpenLLMetry | LLM 监控（98-Agent可观测性工具爆发五大开源项目） | - |
商业
| 产品 | 估值/状态 | 定位 |
|---|---|---|
| Datadog-Bits-AI-SRE | 上市公司旗舰，GA 2025-12-02 | 企业级标杆 |
| PagerDuty SRE Agent | 上市公司 | 事件管理切入 |
| Resolve.ai | 1B 估值 | 创业挑战者 |
| Traversal | $48M（Sequoia + KP） | AMEX 实证 |
| Middleware-OpsAI | 创业公司 | 中端市场轻量 |
底层标准
- OpenTelemetry（事实标准）
- MCP-Model-Context-Protocol（工具调用协议）
- LLM（Gemini / Claude / GPT）
📈 生产实证（5 个案例）
| 案例 | 来源 | 数据 |
|---|---|---|
| iFood | 85-AI-SRE-2026-Guide-Augment-Code | MTTR 减 70%（用 Datadog Bits AI SRE） |
| American Express | 85-AI-SRE-2026-Guide-Augment-Code | 根因准确率 82%，MTTR -32%（用 Traversal） |
| Datadog 内部 | 85-AI-SRE-2026-Guide-Augment-Code | 调查完成快 2 倍（2026-03 后） |
| Google SRE | 87-Google-SRE-Agentic-AI | 20 年首次系统披露 agentic AI 落地 |
| 新浪微博 | 95-新浪微博-AI-Agent协作运维落地与演进 | 中国互联网大厂一手落地 |
🚨 3 大行业反共识（关键论点）
反共识 1：架构 > 模型（不是换更强 LLM 就行）
来源：80-Why-AI-Agents-Fail-at-Cloud-RCA-arXiv
- 1675 次 Agent 运行实证：12 种 pitfall 源于架构，不是模型能力
- Prompt 优化救不了
- 加强 inter-agent 通信能降 15%
反共识 2：传统 APM 不够（三层盲区）
- 业务成本盲区：Token 经济不可见
- 推理引擎盲区：KV Cache / GPU 利用率不可见
- Agent 决策盲区：Agent 推理中段失败不可见
- UC Berkeley 数据：多 Agent 系统 AppWorld 故障率 86.7%，传统监控完全不知情
反共识 3：学术 benchmark ≠ 真实生产
来源：84-LATS-RCA-Language-Agent-Tree-Search-arXiv
- LO2 基准 91.3% → 真实生产 MSS 仅 65.1%
- 真实世界三大挑战：多因素根因 / 规模复杂度 / 不完整可观测性
📐 可观测的 4 大维度（AI 时代）
来源：90-AI可观测性全链路追踪 + 82-LLM-Monitoring-Best-Practices-OpenObserve
| 维度 | 关键指标 | 推荐工具 |
|---|---|---|
| Prompt | 模板版本、变量、token 数 | LangSmith / Langfuse |
| Tool Call | 入参 / 出参 / 耗时 / 错误率 | OpenTelemetry + 自定 attr |
| Trace | 多 Agent 协作链路 | OpenTelemetry |
| Token | input/output / 成本 / 缓存命中 | Helicone / Portkey |
详见：AI-可观测性-四维追踪
🎯 企业建设路线（从 0 到 1）
来自 93-大型集团IT运维智能体平台详细设计方案 综合 83-AIOps-Platform-for-Enterprises-portkey：
Phase 1（0-3 月）: 告警收敛 + 日志语义解析
↓
Phase 2（3-6 月）: 根因分析（RCA） + 可观测 4 维上线
↓
Phase 3（6-12 月）: 自动化运维编排 + 故障自愈
↓
Phase 4（12+ 月）: 变更影响评估 + 混沌工程 + 知识库 + Postmortem 自动化
🧩 与本 Wiki 其他主题的关系
上承
- Agentic-AI — AIOps Agent 是 Agentic AI 在运维垂直的落地
- Enterprise-Agent-Architecture-2026 — AIOps Agent 是该架构的具体应用
- Harness-Engineering — AIOps 是 Harness 工程在运维领域的延伸
平行
- 金融智能体落地 — 金融垂直 vs 运维垂直
- 汽车金融-AI-建设方向 — 业务垂直 vs IT 垂直
下接
- AI-SRE-范式 — AIOps 的事后调查侧详解
- AI-可观测性-四维追踪 — AIOps 的可观测层详解
💡 一句话总结
2026 AIOps = AIOps（事前去噪）+ AI SRE（事后调查）+ 可观测性四维（Prompt/Tool/Trace/Token）。 架构 > 模型，工具开源 + 商业双轨，多 Agent 5 角色协作。 企业级 MTTR 减 70% 不是营销话术，是 iFood / AMEX / Google 一手数据。