跨越三道墙：AgenticOps生产落地的开源工程底座实践

当大模型Agent从概念验证走向真实生产环境，行业逐渐意识到一个关键事实：决定成败的往往不是模型本身的智能程度，而是一整套可持续建设的工程底座。AgenticOps——即面向AI智能体的运维能力——要真正落地生产，需要同时跨越三道看不见的墙：运行事实能否可靠采集、故障上下文能否被正确理解、能力表现能否被反复验证。这三道墙分别对应采集标准化、统一语义建模与能力评测三个层面的挑战。阿里云可观测团队在过去几年中持续投入开源建设，基于OpenTelemetry生态构建了一套完整的解决方案，并在云栖大会上分享了详细的实践经验与技术细节。

标准化采集：基于OpenTelemetry的可观测底座

在数据采集层面，阿里云可观测团队选择完全拥抱开源，长期投入OpenTelemetry社区项目，主要贡献集中在语义规范、各语言实现以及面向Coding Agent场景的采集能力扩展。团队发布了开源项目LoongSuite，在OpenTelemetry标准基础上做了针对性扩展，所有采集数据均符合OTel规范并以OTLP协议输出，可对接任意支持该协议的后端服务。整个采集底座由五条路径构成，覆盖服务端、基础设施和端侧Agent，最终统一进入同一套OpenTelemetry语义体系。三条主线的适用条件各不相同：编译时插桩适合可重新构建的应用；eBPF覆盖不能重编译的存量系统；运行时插桩适合框架丰富、需要应用内语义的场景，具体组合取决于应用条件、语义深度和运行权限等多重因素。

无侵入采集：OBI技术方案与框架贡献

OBI（OpenTelemetry eBPF Instrumentation）是团队推出的核心无侵入采集方案，主要解决无法修改代码系统的可观测性问题。通过eBPF技术在TLS边界内获取明文网络数据，无需应用密钥即可完成协议解析，可自动识别OpenAI、Anthropic、Claude等主流模型的调用协议，将输入输出、工具调用、MCP调用、RAG、Embedding等信息完整采集。在国产框架贡献方面，团队为Apache Dubbo等RPC框架制定了独立的语义规范，新增RPC指标并建立专门的SemConv页面，从发现问题到进入stable支持，整个过程历时一年多。此外，团队还在语义规范层面拓展了Entry/Step、Skill等关键场景，为后续的评估与分析奠定了数据基础。

产业落地：语义建模与真实故障场景实践

从产业实践经验来看，数据采集进来只是第一步，真正挑战在于如何让Agent理解故障背后的数据对象与关联关系。以Checkout Service支付成功率下降的典型案例说明：业务现象往往很直接——支付成功率在3分钟内从99.6%降至92.1%——但背后可能涉及发布变更、数据库连接数上升、下游支付超时等多条线索。传统监控工具各自分离，Agent需要跨越发布系统、数据库、调用链、日志等多个数据域才能完成调查。UModel的核心价值在于围绕当前故障对象，将分散在各个监控系统的指标、日志、链路、事件统一组织起来，通过“静态语义模型→语义运行时→任务上下文”三层结构，形成可查询、可追溯、可继续补充证据的调查上下文。实验表明，这种语义对齐方法能在不同模型上提升50%到100%的诊断质量。

评测闭环：从Benchmark到持续优化体系

能力的可验证性是AgenticOps走向生产的关键最后一环。BRiSE评测框架解决的是如何让同一个问题被反复执行、被不同团队执行，从而在相同条件下得到公平的能力比较。该框架覆盖三类任务集：数据查询任务（L2）共1360道，每道题记录对象、时间范围、可用工具和预期结果；巡检与异常分析任务（L3）共418个，覆盖11类证据源和19个技术域；故障诊断任务（L4）共764个Case，覆盖150多类故障和20多种云产品。每一级都记录完整的上下文边界，因此可以在不同模型、Harness和查询工具之间复用。团队发布的RCA100/200数据集已获得36个国家和地区的关注，故障类型覆盖应用代码、微服务依赖、K8s容器、主机操作系统、云产品等多个领域。

采集、语义建模、能力评测三者共同构成AgenticOps的开源工程底座。采集层解决运行事实可靠获取的问题，语义层解决故障上下文正确理解的问题，评测层解决能力稳定可验证的问题。阿里云可观测团队通过持续贡献OpenTelemetry社区、开源UModel与BRiSE框架、发起企业通用语义标准倡议等方式，推动这套工程实践从单一厂商维护走向社区共建。对于希望将AgenticOps落地的企业而言，这套经过大规模生产验证的开源方案提供了可复用的技术路径，而选择哪条采集路径、如何组织语义上下文、如何设计评测体系，则需要根据自身的技术栈和业务场景进行具体规划。