背  景

在信息爆炸的时代，我们穿梭于无数的应用与数据面板之间，常常像一个迷失在数字丛林里的探险家。想象一下：假如你刚刚接触功能强大的Bonree ONE运维平台，想找到"全局拓扑图"的功能，但面对Bonree ONE平台的众多具体功能页面，你却只能像在迷宫里打转——它到底藏在"观测洞察"页面还是"数字体验"页面里?

再想象一下：在某个具体故障发生时，你想编写一个PromQL语句来查询某个服务的接口错误率或者某个主机的最近5min的CPU使用率变化，但着急忙慌中，你的大脑一片空白——那个查询接口错误率的语法到底是什么来着?rate()还是irate()?时间窗口该设置多长?

这些都是技术人员日常工作中的真实痛点。而小睿助理的要做到的，正是为了让这些令人抓狂的时刻成为过去式。

小睿助理的功能

小睿助理是一款基于大语言模型(LLM)的智能助手系统，它不仅仅是一个简单的问答机器人，而是一个真正"懂你"的技术伙伴。它能够：

• 意图识别。精准理解你想要做什么；

• PQL生成。快速生成复杂的PromQL监控查询语句；

• 智能导航。导航帮你找到所需要的Bonree ONE平台具体功能页面；

• 环境感知。上下文感知到你当前在哪个页面，该页面有哪些功能；

• 智能问答。基于运维领域知识，可观测领域知识，Bonree ONE平台的功能点，智能回答各种技术问题。

  
  

小睿助理内部原理

小睿助理结合了大语言模型（LLM）和检索增强生成（RAG）技术，它先利用LLM对用户提问进行意图识别，然后根据意图分流至不同的功能模块：PromQL 生成、环境感知、功能导航和智能问答。这些功能的底层原理都是将用户输入及相关知识通过文本嵌入（将文本转为向量）和向量数据库检索结合，在此基础上由LLM生成最终回答，其流程就是目前主流的RAG技术流程。

小睿助理内部使用RAG技术主要分为两个阶段，如下图所示：

1. 索引构建（离线处理）

此阶段是为知识库建立可快速检索的索引，通常只需执行一次或定期更新。

• 文档加载与解析。

输入：来自各种来源的原始知识库文档（如 PDF、Word、HTML、Markdown、数据库）等。

过程：使用文档加载器读取并解析文件，提取出纯文本内容。

• 文本分割。

过程：将长文档分割成更小的、有意义的文本块。这是关键步骤，因为 LLM 有上下文窗口限制，且小块文本更易于精准检索。

• 文本向量化。

过程：使用嵌入模型将每个文本块转换为一个高维向量。这个向量在数学上代表了文本的语义信息，语义相近的文本其向量在空间中的距离也更近。

• 存储至向量数据库

过程：将文本块、其对应的向量以及可能的元数据（如来源、标题等）一起存储到向量数据库中。

2. 查询与生成（在线处理）

此阶段在用户每次提问时实时发生。

• 查询处理与向量化

过程：针对用户提出的问题，使用与索引阶段相同的嵌入模型，将用户问题也转换为一个向量。

• 向量数据库检索

过程：在向量数据库中，通过计算余弦相似度或欧氏距离等度量方法，寻找与查询向量最相似的 Top-K 个文本块。

• 结果评估与提示词构建

评估：小睿会使用ReRanker模型来对检索到的结果与用户问题进行相关性排序。如果相关，则进入下一步；如果完全不相关，系统会告知用户知识库中没有相关信息。

提示词构建：将检索到的相关文本作为“上下文”或“参考信息”，与用户的原始查询一起，精心构建成一个最终的提示词。

• LLM 生成回答

过程：将构建好的增强版提示词输入给大型语言模型。LLM 会基于其内部知识和对所提供上下文的理解，生成一个精准、可靠的答案。

意图识别功能

用户提问后，系统首先要判断"你想干什么"。这个判断过程使用LLM进行分类，将用户问题提供给LLM，并在提示词中预先设置为几种不同意图，由LLM理解用户问题，并对问题进行意图分类，例如：

• "如何查询Pod的内存使用率?" → PromQL生成

• "当前页面是做什么的?" → 环境感知

• "拓扑图在哪里?" → 智能导航

• "什么是Prometheus?" → 智能问答

这就像医院的导诊台，先判断你应该去哪个科室。

PQL生成功能

如果意图识别结果表明用户需要查询监控指标数据（PromQL 生成功能），系统会按照以下流程生成PromQL查询语句：

• 用户问题向量化。将用户的自然语言问题输入嵌入模型，得到一个向量表示。

• 指标检索。使用该向量在Milvus向量库中执行相似度搜索，找到Top 20个与问题语义最相关的指标信息（如指标名称和描述）。

• 重排序（ReRank）。对这20个候选指标使用重排序模型进行再次排序，筛选出Top 10个更精确匹配的问题语义的指标及其对应的示例PromQL查询。

• Few-Shot 提示构建。将上述10个指标的信息和示例PromQL作为few-shot示例拼接到提示词中（例如以“示例：输入→输出”形式附加到用户问题前）。

• LLM生成PromQL。将包含用户问题和few-shot示例的完整提示发送给大语言模型，LLM根据上下文归纳出满足用户需求的最终PromQL查询语句。

整个过程中，系统相当于先“检索”相关指标（向量搜索＋重排序），再让LLM生成最终答案，是典型的检索增强生成（RAG）模式。

其内部转换流程为：

• 步骤1：用户提问，比如："查看过去5分钟Nginx的QPS"；

• 步骤2：向量化用户问题，Embedding模型将问题转换为1024维向量；

• 步骤3：向量检索，在Milvus中查找Top20相似的历史指标，比如查询到的历史指标信息为：

    - 指标名称： nginx_http_requests_total

    - 指标说明： Nginx HTTP请求总数

    - PromQL示例：

  rate(nginx_http_requests_total[5m])

    - 相似度： 0.89

  ...

• 步骤4：智能重排，使用ReRanker模型深度评估，筛选出Top10，其作用为：

    - 过滤掉表面相似但语义不符的结果

    - 重新排序，最相关的排在前面

• 步骤5：Few-shot推理，将Top10作为示例交给LLM，提高生成的准确率，比如：

  "参考这些例子，生成查询Nginx QPS的PromQL"

• 步骤6：生成最终结果，如下：

  sum(rate(nginx_http_requests_total{job="nginx"}[5m]))by (instance)

其他功能

其他三个功能：智能导航，环境感知，智能问答的具体技术原理和上述PQL生成类似，不同点在于：

在智能导航和环境感知功能中，首先需要构建Bonree ONE每个页面的知识库：收集Bonree ONE页面上每个具体页面的URL、导航路径、功能介绍、详细内容和概要总结等信息。将这些内容（网页摘要、功能说明等）输入嵌入模型生成向量，并存入Milvus数据库。这样，每个页面都对应一个或多个向量记录，形成页面知识库。

在智能导航功能中，在提供给LLM的提示词中，需要输入用户询问的页面的URL地址，导航路径等内容，这样LLM在进行回答时，会参考提示词中的页面地址和导航路径，回答的问题中会详细列出导航的页面地址。

总   结

小睿助理的设计哲学可以用一句话来概括："让复杂的技术变得简单，让简单的操作变得自然！"。

它不是要取代技术人员，而是要成为每个Bonree ONE使用者的"超级助理"——就像钢铁侠的贾维斯，哈利波特的魔杖，让专业的人可以更专注于创造性工作，而把重复性的、记忆性的任务交给大模型。

当凌晨三点告警响起时，你不再需要翻遍文档寻找那条PromQL语句；当新人入职时，他不再需要花一周时间摸索系统功能。小睿助理会像一个经验丰富的老员工一样，随时随地提供帮助。

这就是小睿助理带来的温度——不是冰冷的代码，而是贴心的伙伴。