告警一响，值班群瞬间拉到上百人，这不是协同效率高，而是传统监控链路断了。 拿主站Feed流请求暴涨的案例来说，入口服务指标正常，下游几百个依赖全亮绿灯，但核心业务指标就是跌。最后怎么查出来的？跨部门拉通、人工对账，才摸清底细：推荐质量下滑导致用户反复刷新，底层链路的兜底逻辑掩盖了真实异常，另一个服务又因接口字段缺失直接Core Dump。整条故障传播链在Metrics和Log层面全是盲区，人只能靠经验猜，靠跨部门沟通补。 指望AI排障，很多人第一反应是加大算力接入或者堆更多的调用链数据。这条路走不通。机器拿到的永远是底层冰冷的日志片段，它不知道业务指标反常识波动的逻辑，也看不懂配置变更怎么绕过了历史路径。人在排障时脑子里自带业务拓扑，但AI面对的是未经翻译的原始代码和噪声告警。算力再强，填不平人与机器的上下文代差，根因分析照样卡壳。 解法很直接：别在低抽象层里跟模型死磕，必须提前把错误码语义、指标拓扑关系和开关配置沉淀为业务资产。以前是人拉着几十个专家开会拼线索，现在应该是AI带着业务上下文直接推演故障链。别等故障响了再指望大模型现学现卖，先把你的业务逻辑翻译成机器能读懂的资产层，排障才能从拼人力的体力活变成自动化的标准动作。 宏观效能的瓶颈直接撞在了快手主站那次反直觉的流量故障上。看传统监控到底卡在哪，拿实战说话最清楚。Trace、Metrics、Log这套老组合拳在业务层根本打不中要害。入口服务各项指标平稳，下游几百个依赖全亮绿灯，核心业务指标却实打实地往下掉。故障根因藏在了业务逻辑的折叠里：下游服务自带兜底降级，直接把真实异常掩盖成正常返回，Metrics看到的是一片虚假繁荣。更隐蔽的断点在链路后半段，上游配置变更导致接口字段缺失，直接引发下游Core Dump。这条代码路径以前压根没被触发过，日志自然没打，Trace也跟着断了线。 传统监控的致命伤在于，它只认技术指标的线性传导，读不懂业务语义的跳跃与伪装。告警阈值设得再密，也算不出推荐质量变差反而引发请求暴增的反常识现象。指标和日志只是底层吐出的流水账，它们能告诉你请求有没有超时，但解释不了业务逻辑在哪一步被偷梁换柱。跨部门拉群对账，本质上就是在用人工经验给监控盲区打补丁。 指望靠堆探针和全量日志去覆盖所有分支，纯属方向性错误。业务系统的动态复杂度早就越过了静态监控的承载上限。与其在告警风暴里大海捞针，不如尽早放弃对原始遥测数据的盲目崇拜。排障的起点必须从抓底层指标前移到理业务逻辑，只有先构建出能映射真实调用关系的上下文层，监控才不会在关键节点集体失明。 断点既然出在指标与代码的脱节上，破局点自然不在更多告警规则，而是给模型喂点它真正能懂的东西。我们一开始试过让Coding Agent直接啃源码，单库分析跑完最快也要五分钟。一条典型故障链路横跨三五个微服务，还得顺藤摸瓜理清底层SDK的隐式依赖，全量过一遍轻松突破二十五分钟。线上故障哪等得了这么久。代码确实是唯一真实的文档，但抽象层级太低，把原始逻辑直接甩给大模型，等于让新人去翻十万行祖传代码，认知成本根本压不住。 解法很粗暴，直接降维搭一层业务资产。把零散的错误码翻译成业务语义，把孤立的监控指标串成上下游拓扑，再把开关配置和核心逻辑的映射关系画成网。这层资产靠两条线转：平时用Agent离线扫核心仓库，生成结构化描述扔进知识库；排障时遇到新分支，实时跑完顺手沉淀为Skill。以前模型要在几百个服务节点里盲目发散，现在它直接读取现成的业务上下文，推理动作从瞎猜变成了精准定位。耗时从二十五分钟硬压到分钟级，靠的不是算力堆砌，而是给AI装上了业务视角的翻译器。 别等故障响了再指望大模型现学现卖。把错误码、指标拓扑和配置地图当成和数据库同等重要的基础设施去维护，Agent才能跨过上下文代差，真正去啃复杂场景的硬骨头。 资产沉淀跑通只是起点，真要嵌进日常运维流，团队得先认清一个现实：别指望Agent一步到位。很多团队上了大模型，指望敲几段提示词就能自动画出调用链、秒出根因，现实往往是一顿算力烧下去，输出全是车轱辘话。排障不是变魔术，AI缺的从来不是推理能力，而是那张能锚定业务全貌的拓扑网。 建拓扑图得从核心链路动刀，别一上来就搞全量覆盖。先挑出扛着核心指标的主服务，把上下游依赖、指标血缘、关键开关的触发条件硬磕出来。以前靠值班专家脑子里的记忆拼图，现在得把这些关系固化成机器可读的节点和边。正如一线架构师在复盘时坦言，让模型直接解析全量依赖，推理发散根本收不住。后来改成离线沉淀主干、排障按需补全分支的策略，先把推荐到Feed下发这条主线跑通，Agent的定位命中率才真正稳住。 这张图不是一次性工程，得跟着发版节奏一起长。改了接口契约，或者新加了降级策略，就得同步更新资产层。这活儿听着笨重，但能直接掐断模型幻觉的源头。AI拿到清晰的上下游传导路径，排查时就不会在无关节点上反复打转。 别把RCA Agent当成甩手掌柜的终极答案。先把业务依赖理清楚，画好那张能跑通的拓扑底图，让AI有图可查、有路可循。机器真正接管复杂排障的前提，是人类先把业务骨架搭结实。