智能体运维 (AgenticOps) 是什么？

从 AI 到智能体：发展过程

传统的基于 AI 的 IT 运维 (AIOps) 方法仅止步于提供告警和建议，而 AgenticOps 则与之不同，这种新方法会更进一步，利用 AI 智能体来分析问题并秒速采取行动。在整个过程中，运营人员始终处于核心环节，而非置身局外。通过统一的共享工作空间，运营人员能与智能体并肩协作，告别在多个管理界面间反复切换的繁琐。这意味着一种全新的跨域运维模式，可以有效预防问题或加快问题解决，从而减少工单数量，并确保 IT 能够实时做出调整。多年来，AIOps 确实带来更智能的 IT 运维，但主要体现在告警优化和改善控制面板方面，虽然有用，却仍停留在被动层面。这种方法仅止步于问题检测，将真正的解决工作留给了人工团队。

发展过程：

• 规则和脚本（1980-1990 年代）：基于 if/then 逻辑的自动化，适用于重复性任务。
• 机器学习（2000-2010 年代）：异常检测算法和模式识别算法。
• 生成式 AI（2020 年代初期）：利用模型来生成表达流畅的解释、摘要和答案，但仍属于被动模式，而且仅限于单轮对话。
• 智能体 AI（2020 年代中期）：AI 系统作为智能体运行。智能体是一种自主实体，能够逐步进行推理、对任务排序、访问工具和数据，并通过与其他智能体或人类合作来达成某一目标。

AI 智能体是什么？

AI 智能体是一种自主软件实体，不仅能响应各种请求，还能主动做出决策并付诸行动。与仅提供信息的聊天机器人或智能控制面板不同，智能体可以理解人类分配的目标和上下文信息、自动规划和执行任务、适应各种情况，并持续学习优化。

可靠的企业级智能体应具备以下五个特征：

• 理解身份和上下文信息：拥有明确的角色、目的和工作范围。
• 具备推理能力：可以分解复杂问题，权衡替代方案，并根据上下文信息做出选择。
• 易于扩展：能够跨多个不间断的系统持续运行。
• 安全可靠：行动受策略、权限和审计追踪约束。
• 提高运维效率：将推理能力与自动化功能相结合，减少手动操作并更快实现目标。

具备这些特质的智能体将不再只是“助理”，而是“协作者”：它们能与其他智能体及人类合作，共同推动运维模式的持续提升。

智能体层和协调层 

智能体并不是孤立运行的。在某些场景下，智能体之间能够直接进行任务流转，例如：监控智能体将数据传递给诊断智能体，或者由修复智能体将执行结果反馈给学习智能体。这些交互过程清晰直观，且职责范围明确。

但是，如果涉及更复杂的工作流程，就需要使用智能体层来专门管理多个智能体之间的协作，这类事务包括：拆分任务、并行工作、协调互相冲突的结果，以及保存共享的上下文信息。智能体层依托各类模型（包括基础模型、微调模型及特定领域模型），赋能智能体实现任务的智能拆解与推理协同。

在智能体层之上，是协调层。它能确保所有行动按正确的顺序进行，并且遵循明确的策略防护措施，例如：在开始诊断之前，先收集遥测数据；或者在执行修复之前，先验证修复方法。虽然协调是由工作流程驱动的，但也可以使用模型来解释运维人员的意图、验证执行步骤，并生成推理过程信息。

在协调层中，将这一切串联在一起的是模型上下文协议 (MCP)。MCP 与传统 API 不同。API 在每次用于集成时，都必须进行定制和限制；而 MCP 则为智能体如何连接模型、工具和数据提供了统一的标准。它确保协调过程中，所有智能体都能以一致的方式安全地发现、访问和使用所需资源。与单独的点对点集成方法相比，这种新方法可以让互动拥有更高的灵活性、可扩展性和可管理性。

智能体层与协调层相辅相成，共同构筑了稳健的架构基石，确保自主作业具备高可靠性、可解释性与可重复性。

为什么现在应迁移到 AgenticOps？

现代 IT 环境高度复杂、瞬息万变且过度分散，仅靠人力难以应对。AIOps 虽然提升了运维可视性，但其能力往往止步于告警与建议。所以，我们需要从 AIOps 迁移到更智能的 AgenticOps。

AgenticOps 与 AIOps 的对比

结论：AIOps 帮助 IT 团队更快发现问题；AgenticOps 赋能 IT 团队以现代环境所需的速度和规模快速解决问题。

思科的方法

思科的 AgenticOps 方法是将遥测、智能和协作功能集成到一个统一的框架中。我们的目标是打造具有企业级可靠性的智能体，不仅能根据上下文信息进行推理，还能安全地采取行动，并与运维人员无缝协作。

• 理解身份和上下文信息：在 Cisco AI Canvas 中，每一个智能体都拥有明确定义的角色（例如监控、诊断、修复或学习），从而确保工作流程既能被跟踪和审核，又能支持协作。
• 具备推理能力：Cisco Deep Network Model 通过思科 40 多年的运营数据（包括 CCIE 专业知识、生产遥测数据和思科洞察）进行训练，可让智能体以常规模型无法企及的准确性和深度进行推理。
• 易于扩展：思科平台全面涵盖园区、分支机构、云和边缘。智能体能够秒速使用 Meraki、ThousandEyes 和 Splunk 等思科生态系统中的遥测数据。此外，随着 MCP 服务器在思科全线产品中的部署，智能体能够以标准化、可扩展的方式，高效调用所需的工具与数据。
• 安全可靠：任何行动都会受到加密访问、透明架构和推理过程等机制的约束。运维人员可以在任何时间点验证、批准或覆盖这些行动，行使监督职责。
• 提高运维效率：Cisco AI Assistant 与 AI Canvas 相结合，构成了一个基于自然语言的工作空间，让人类能够与智能体进行实时协作，并获得始终如一的体验。与使用多个管理界面相比，效率大大提升。

基于思科的这些核心能力，AgenticOps 能够原生支持多种数据源，打通了 NetOps 与 SecOps 的跨领域协作，并由专用模型提供支持——为您带来真正可信赖的自主运维体验。

实际应用

假设分支机构遇到性能下降问题，接下来会发生什么？

• 监控智能体在 ThousandEyes 遥测数据中检测到异常情况。
• 诊断智能体将这些发现结果与 Meraki 无线网络日志和 Splunk 洞察进行关联分析。
• 对于这种较为复杂的工作流程，智能体层会在多个智能体之间进行协调，包括拆分任务、并行运行路径跟踪，以及协调所有结果。
• 此时，智能体可以通过 Cisco Deep Network Model 利用特定领域的专业知识进行推理，找出通用模型无法发现的模式和根本原因。
• 协调层使用 MCP，按照“先验证数据，再实施修复”的原则确定后续步骤的顺序。
• 经分析，根本原因为：某冗余路径上的一台路由器存在配置错误。
• 修复智能体提出经过验证的修复方案。工程师通过 Cisco AI Assistant 审核和批准修复方案，再由智能体自动执行。
• 学习智能体记录工作流程并更新推理过程，以便系统下次更好地做出应对。

以上所有步骤都会显示在 AI Canvas 中，涵盖遥测数据、推理过程、执行操作及验证结果，为您提供一站式的统一交互体验。Cisco Deep Network Model 负责提供智能，智能体负责执行琐碎工作，而运营人员则负责掌控全局。

结果：无需费时讨论、盲目排查与响应延迟，实现机器级的极速修复，让运维全程可信、透明。

风险和责任

智能体做出行动只需要一瞬间，但是信任无法一蹴而就。因此，思科确保每一项操作都具备可解释性、透明度与可逆性，让自主运维安全无忧。在现阶段，一切仍由您掌控。随着时间的推移，您对智能体建立了信任，就能让 AI 执行更多任务。毕竟，我们从一开始就将信任融入了自主能力的设计之中。

思科采用三管齐下的方法：

• 通过透明架构、加密访问和审计追踪确保问责机制的落实。
• 通过 Cisco Deep Network Model 提供特定领域的专家级洞察。
• 通过 MCP 服务器确保智能体以标准化方式安全地连接各种工具和数据。

有了这三重保障，AgenticOps 就不会是无法控制的自动化系统，而是值得信赖的自主框架。

对未来的展望

我们对 AgenticOps 的定位不仅仅是加快问题修复，而是成为面向未来 IT 的操作系统。它能利用数字孪生、偏差检测和持续学习技术，帮助您从被动的“救火式”运维模式转变为主动的“预防式”运营模式。随着信任的积累，智能体将承担更多职责，从人工监督下的操作演进为自主式的问题解决——且始终确保过程的可解释性、透明度与合规性。

思科从设计之初就已为此打好基础。通过跨网络和云实现安全的统一遥测、推理和协作，我们不断为打造值得信赖的大规模自主系统而努力。

未来清晰可见：AIOps 已经帮助您发现了问题，就让 AgenticOps 来帮助您解决这些问题吧！