2026年7月10日-11日，第二十九届智能体驱动的GOPS全球运维大会在北京盛大启幕。作为AI驱动的全球智能可观测性领导者，博睿数据受邀出席本次大会，亮相“AI+可观测性”专场，发表《可观测赋能 AI 原生运维：探索智能化变革新路径》主题演讲。
博睿数据产品中心总监贺安辉在演讲中深度拆解了当前企业AI运维落地的关键挑战，完整展示了博睿数据Bonree ONE平台AI可观测性、AI智问、Sage AI运维智能工作台三大核心AI能力，充分诠释了可观测性在AI运维时代的战略价值与标准化落地范式，为全行业AI运维的规模化落地与智能化升级，输出了前沿技术理念与高价值的智能运维解决方案。
行业背景：AI运维落地面临六大核心挑战
挑战一：AI应用的监控盲区
当前很多企业上线了AI相关的业务系统。然而，AI大模型在输出结论或实时问答时可靠性仍显不足。我们曾遇到一个保险客户，其AI客服电话将用户“如何投保”的咨询误判为“如何退保”，直接回复了退保操作步骤，完全偏离用户诉求。这充分说明幻觉问题在业务场景中的严重性。在AI应用监控层面，除性能和可用性外，幻觉现象和回答质量评估构成了全新挑战。
挑战二：AI Agent的不确定性
智能体给出的结论，用户往往无法判断其对错，只能选择相信，而盲目信任可能带来风险。以AI Coding为例，降本增效背景下，后端工程师借助AI生成不熟悉的前端代码，但代码质量并不可靠——能跑起来却远不够稳健，一旦出问题工程师根本看不懂，这类隐患将日益突出。
挑战三：可观测性与数据治理挑战
部分企业认为AI足够强大，所有数据直接交给AI即可，无需加工处理。事实上AI上下文窗口有限，数据过载会导致模型“降智”——新会话第一个问题响应快，经过十几轮对话积累大量上下文后，模型变得迟钝，根源在于意图识别能力下降。因此数据治理重要性并未减弱，仍需前置加工。
挑战四：安全与合规风险
这是最突出的问题，也是我们花最大力气去解决的。AI如同双刃剑，在生产系统中更易执行危险动作，必须在各环节把控。Skill审核时看似无碍，上线后不同Skill交叉运行可能滋生新隐患。
挑战五：AI成本与资源治理
以1亿Token为例，一个问题可能消耗数十万Token，1亿Token实则不多。我们公司AI Coding起步阶段月费数万元，现已增长到极高量级且仍在攀升——企业希望降本增效，AI成本却不降反升。
挑战六：组织和人才转型压力
AI应用进展迅速，管理者理念若滞后、组织架构未能适配，即成为AI落地阻力。“一人公司”借助AI可覆盖全流程，但数百人规模的企业难以复制。故障诊断中，AI智能体与真人如何协作、如何形成作战室，都是现实压力。
AI可观测性：实现AI应用全面洞察
AI应用涉及多种技术栈，今年4月，博睿数据发布AI可观测能力，已对LangChain、LangGraph、Dify、OpenAI等常见框架实现开箱即用适配，可轻松捕获从用户端到末端全链路调用链。通过Token消耗、耗时分析和会话追踪，用户可全面掌握AI应用运行状况。
AI可观测性的技术实现来自三个方面：一是自研Python探针，支持Python、Node.js、Java等主流语言；二是兼容OpenTelemetry等协议，已安装SDK的AI应用数据也能捕获进来，实现完整打通；三是采集过程中进行脱敏处理，对隐私信息做转换和清洗。
效果层面提供五种视图：调用链分析视图展示完整调用链明细，包含响应时间、Token消耗、输入输出内容；性能视图概览平均响应时间、请求次数、错误次数及趋势，支持下钻分析；Token视图和模型视图分别从Token和模型维度进行监控；调用链详情视图展示输入输出、所用框架、Token消耗等明细信息，完整Trace可判断问题出在AI应用、网关、大模型、知识库还是Tool/Skill调用；会话视图将每个用户的使用过程归入会话，如当领导投诉智能体不回答或太慢时，可通过会话快速检索用户ID进行分析，在详情中查看每个智能体调用的详细情况。
AI智问：一键洞悉的全域可观测
AI智问是博睿数据Bonree ONE 平台的专家型问答助手。用户可应用AI智问提出任何问题——无论是可观测平台还是其他任意知识——它都能快速得出结论，无需逐步引导。我们把最佳实践、Skill和知识全部预制，做到“一句话提问，立刻得到答案”，实现“一键洞悉的全域可观测”。
目前AI智问预制了30多个场景，涵盖健康巡检、故障诊断、性能优化、变更评估、运维治理等类别，持续扩充中。每个场景均经过审慎打磨，可放心使用。
Sage AI 运维智能体工作台是Bonree ONE 的AI引擎，依托平台原生AI能力底座，定位为重塑运维生产力的统一智能中枢，深度适配全场景数字化运维需求，帮助客户打造规模化的资深数字员工。
SAGE AI 技术架构解析
最底层——数据源层：包括日志、指标、调用链、告警事件等可观测信号，通过探针和数据集成能力可方便接入。同时涵盖运维资产（CMDB、知识库、工单系统）和文件资产（脚本、环境变量、密钥等），均需纳入管理并做好管控。
连接器层：MCP是AI应用间通信的标准协议，可连接CMDB和工单系统。CLI用于在前置环节补充更多加工处理，以降低MCP对模型Token的消耗。API和脚本能力亦涵盖在内。
安全审核层：个人场景下使用豆包、Coze等平台的Skill问题不大，但企业级生产环境必须高度审慎，因为很多Skill存在安全漏洞。我们在此构建了强安全审核层，对进入体系的所有信号和资产进行规范验证、权限检查和安全性审核，在第一道防线即拦截风险。
安全沙箱层：智能体运行时处于自动化状态，多个智能体协同执行复杂任务可能耗时数十分钟甚至数小时。安全沙箱方案确保所有智能体在隔离环境中运行，进行资源、网络、文件系统和进程隔离，不触及核心系统。同时实施入口恶意指令拦截、出口敏感信息剔除、执行权限管控和人工审批，智能体创建和发布也需主管审核。
调度管控层：从可靠性、有效性、敏捷性、连贯性四个维度对智能体进行全生命周期管理：在可靠性方面，提供兜底策略、错误重试与异常熔断机制；在有效性方面，通过 Schema 校验与规范验证保障执行质量；在敏捷性方面，借助主 Agent 路由规划与多智能体协作机制实现任务的高效分解与调度；在连贯性方面，通过长短期记忆管理与记忆衰减更新机制，使智能体持续适应用户的使用习惯，减少人工干预，提升交互体验。
交互控制层：通过Web页面、多渠道接入、告警事件触发、定时任务触发和会话管理等方式进行管控。
应用场景层：覆盖研发测试、发布变更、巡检维护、应急恢复、容灾演练及运营治理等运维全环节。
Sage AI 核心价值
直接价值：提升效率，降低人力成本。智能体锤炼为真正的数字员工后，巡检、排障等工作可交由它们闭环完成，运维人员得以释放。
资产价值：将工作流程沉淀下来。资深专家的经验若未留存，一旦退休或离职便流失殆尽。我们需把最佳实践和流程沉淀为Skill或知识，实现复用。
能力价值：从“以人为中心”走向“以AI为中心”。以往是人发出指令、AI辅助执行。AGI时代角色转换，AI将主动完成任务。所有可观测信号纳管后，数字员工可自主巡检、诊断、修复，形成以AI为中心的链式运维。
战略价值：加速企业数字化转型进程，对技术团队，可自动化重复工作、沉淀专家经验；对管理层，可降低成本和风险，支撑业务稳定与数字化转型。
安全灵活地搭建运维智能体
Claude Code安全事件表明第三方AI编码工具在数据隐私保护方面存在潜在风险。企业级用户在选择此类工具时需格外审慎，Dify安全合规不到位、Skill漏洞多，版本升级即崩溃，Worktile面向个人，Workony仅支持Windows和Mac。开源和商业产品中，企业级智能体平台选择空间极其有限。
博睿数据Sage AI的目标，正是提供一套安全、可靠、稳定的智能体工作平台。Sage AI将模型、工具、Skill、知识库等基础能力统一管理，承载智能体从构建到运营的全生命周期，具体提供工作流与自主决策两种编排模式：工作流适用于步骤明确的标准化任务（如日常巡检、变更审批），保障效率与合规；自主决策适用于原因未知、需多轮动态推理的复杂故障场景，充分发挥 AI 的推理优势。工具层面，通过MCP封装数十种内置工具，涵盖实体关系、指标、日志、调用链等。Skill层面沉淀了“服务深度诊断分析”等能力。知识库管理支持Markdown、TXT、PDF等格式导入及API拉取。
目前Sage AI已搭建“终端诊断专家”“数据库专家”等智能体，背后沉淀了资深DBA的排障经验，用户可直接调用，也可托管为7×24小时运行的自动化运维专家。模型管理支持自由添加、创建、管理和删除，添加后所有智能体均可调用。
面对企业内部AI落地的实际需求，构建安全、可靠、稳定的智能体平台至关重要。未来，博睿数据将持续深耕AI可观测与智能运维领域，与行业共同探索智能化变革的新路径。
精彩演讲资料即刻下载。
