作者｜沙丘智库研究团队

来源｜沙丘社区（www.shaqiu.cn）

随着企业IT基础设施向云原生、微服务和多云架构演进，故障链路更长、信号来源更分散，传统依赖固定规则和专家经验的根因分析（RCA）越来越难以兼顾响应速度、分析深度与可解释性。监控、日志、指标、链路追踪和CMDB虽沉淀了大量数据，却往往仍是彼此割裂的工具孤岛。工程师需要跨平台拼接证据，真正耗时的不是发现异常，而是从噪声中建立“现象—假设—证据—根因”的完整链路。

由大模型驱动的RCA Agent由此成为AIOps的重要演进方向：它不只做告警摘要或问答，还能制定排查计划、调用多源工具验证假设，并生成可审计的归因报告与处置建议。

从实践落地看，RCA Agent的竞争焦点已从“模型能否分析故障”转向“系统能否稳定嵌入生产流程”。其壁垒不只在模型能力，更在数据与资产关系治理、工具连接、假设验证、过程可解释性，以及自动执行与人工确认之间的权限边界。

现阶段较可行的路径，是先用规则和Workflow承接高频、确定性强的标准故障，再由Agent处理跨系统、开放式的复杂问题，并通过行业知识、历史案例和实时数据逐步走向预测预警与闭环处置。

沙丘智库通过深度研究快手、趣丸科技、阿波罗轮胎等企业的RCA Agent建设实践，旨在为其他企业提供参考。

▎案例1：快手复杂业务场景下RCA Agent建设实践

快手采用分层告警治理思路：最底层通过传统手段降低告警噪声，包括告警治理、常规策略治理和智能告警。AI处理层再分两类：第一类是用Workflow做快思考，处理相对固定的系统类告警和SOP场景，例如Redis排障、Java异常等；第二类是用Agent做慢思考，处理核心业务指标突变等复杂开放问题。

快思考链路从告警事件发出开始，先经过抑制规则判定。例如判断为单点问题时，可以直接重启单Pod并抑制告警；结合特征画像分析后，还可以抑制相当一部分告警。剩余告警再做复杂度判定：若通过维度分析、影响范围分析即可解决，就用Workflow同步归因；若问题复杂，则进入异步Agent分析流程，耗时可能超过10分钟。

复杂问题的慢思考采用Multi-Agent架构。告警事件触发后进入平台，再进入主Loop Agent循环。主Agent创建 Plan，动态调用底层Sub-Agent；底层由业务资产和数据基建支撑；最终输出可解释报告。

▎案例2：趣丸科技基于“假设-验证”闭环的RCA Agent实践

趣丸科技将RCA Agent拆分为假设Agent和验证 Agent：

假设Agent接收用户查询或告警信息，并结合CMDB、知识图谱、关系链、元数据、历史故障、指标规则和记忆信息，形成若干候选假设。假设可以来自当前告警，也可以来自历史经验和资源关系。

验证Agent的职责是围绕单个假设寻找证据，而不是重新发散问题。系统会将假设转化为待验证任务，调用日志、指标、链路等工具，判断假设成立、不成立或未知。验证过程强调从返回内容中寻找证据，并通过异常检测和分析结果辅助模型判断。

假设和验证之间通过循环串联。当某个假设被验证为成立、不成立或未知后，系统会继续推动假设Agent生成新的分析方向。对于验证较慢的任务，系统允许保留不确定状态，而不是强行等待所有结果完成。收敛条件包括所有叶子节点被证伪，或推理达到预设层级后进入总结。这一过程会形成类似树状或图状的排查结构：根节点对应初始告警或问题，分支对应不同假设，叶子节点对应验证结果。系统最终可以将排查链路、证据和图表组织成面向用户的结果，使用户看到每个判断为何成立或不成立。

▎案例3：阿波罗轮胎自动化根因分析实践

固化压机的干燥周期时间（DCT）分析完全依赖工程师手动操作工业IoT仪表盘，每个问题平均耗时2小时，最长可达7小时，严重拖慢问题解决速度。传统根因分析（RCA）工具无法实现子元素/次子元素级别的瓶颈定位，必须联合制造、技术、工业工程等多部门专家协作。

阿波罗轮胎打造Agentic AI解决方案——Manufacturing Reasoner（制造推理器），该系统支持工厂工程师以自然语言与工业物联网数据交互，自动完成RCA并输出针对性的运营改进建议。

· 感知层：Agent抓取并分析固化压机的实时传感器、工艺流程、运营及事件数据，在数百万个参数中识别瓶颈与异常；

· 决策层： Agent对查询进行分类，调用匹配的子智能体（根因分析、解释器、可视化），评估问题根本原因，并基于流式实时数据与历史数据确定改进重点的优先级；

· 执行层：Agent触发预警、提供改进建议、生成可视化图表，赋能工厂工程师快速采取纠正措施。

基于上述实践，阿波罗轮胎手动根因分析（RCA）工作量减少88%，瓶颈识别速度显著加快；单问题根因分析时间从最长7小时缩短至10分钟以内，支持快速运营调整，最大限度减少生产停机时间；仅乘用车子午线轮胎部门即实现约1500万印度卢比的年度针对性成本节约；全面提升三家制造工厂的数据驱动决策能力与预防性维护水平。


内容来源：沙丘智库，更多内容可前往【沙丘智库小程序】搜索查阅