阿里云用Agent串联系统诊断与维护

阿里云团队维护一套帮用户排查云服务器故障的 AI 诊断系统，并用 Loop Engineering 让这套系统自己修自己：Connectors 用 MCP 打通三个 Logstore（agent_log、mcp_client_log、mcp_server_log）、Langfuse 追踪与发布流水线（约 9000 行工具链，日志查询脚本 1280 行、7 个子命令）。 Automations 做每日全量巡检与 5 分钟级实时告警。diagnose（760 行 SKILL.md、8 阶段）、auto-fix（6 步）、deploy-and-verify（11 步）三个 Skill 把 SOP 落到磁盘。Git Worktree 让多类错误并行修复互不覆盖（三类问题串行 45 分钟降到并行 17 分钟、冲突率不到 5%）。 Sub Agents 六层独立验证（Lint、单测、预发日志、线上对比、集成、UI）杜绝 logger.error 改 logger.warning 这类假修复。修复方案写入知识库（30+ 条 YAML）。效果：一周 ERROR 1210 条→47 条，同类问题修复 48 分钟→15 分钟，到预发人工介入 0 次，修复最多重试 3 轮后升级人工。