阿里云用多Agent验证专有云基础设施韧性

阿里云团队把依赖 SRE 专家、按项目推进的韧性验证升级为平台能力：用指挥、哨兵、编排、执行、环境、诊断、报告、工单、产品共 9 个分层 Agent 组成军团，以 Redis Hash 共享黑板为唯一交互媒介（Lua 原子写入 + version 乐观锁、SSE 字段变更推送、Redis ACL 按角色读写隔离），内部 Agent 走 Dispatch 直调、外部 Agent 走 A2A 协议，配三道安全闸门与双进化回路（用例知识回路 + 编排权重飞轮），主模型为 Qwen 系列。 联合存储团队共建后已完成大量实验，覆盖单点故障、多点故障、网络异常、磁盘故障、服务故障等场景。单次验证闭环由数天降至 40+ 分钟、策略迭代由月度级降至日级、人力由专职 SRE 全程投入降至 0.1 人执行，已发现多条产品稳定性问题并向产品团队提交缺陷详情与复现方式。