复杂业务场景下 RCA Agent 的探索实践

📌 一句话摘要

快手工程师分享了基于大模型的业务排障 RCA Agent 体系，围绕让 AI 理解业务、对抗告警噪声、衡量不确定性、对抗模型幻觉四大挑战，阐述了从 Workflow 到 Agent 的演进路径、Multi-Agent 架构设计与自进化机制。

📝 详细摘要

本文来自快手资深服务端架构师郭勇良在 QCon 2026 北京站的分享，系统阐述了快手在复杂业务场景下构建 RCA Agent 的完整实践。内容首先通过 DORA 报告与微软调研说明排障是 AI Coding 红利见顶后的下一个生产力瓶颈，随后详细拆解四大核心挑战的应对方案：引入「业务资产」抽象层消除人机上下文代差；用置信度评估与循证医学证据金字塔对抗告警噪声；通过快照式监控数据转储构建可量化的评测体系；将趋势识别等确定性任务封装为标准化算子以对抗模型幻觉。在架构层面，文章给出了快思考 Workflow 与慢思考 Agent 的分层设计、SubAgent 领域封装与 Team 通信机制，以及基于 Few-shot 的自动案例集构建方案，最终指向 AI Native 自主化的演进方向。

💡 主要观点

- 业务资产抽象是让 AI 理解业务的核心：通过错误码语义标注、Metrics 业务化描述、指标拓扑关系与影响地图，将研发脑中的隐性知识转化为 AI 可消费的显性上下文。 代码虽是唯一真实文档但抽象层次过低，直接分析耗时过长。快手通过离线沉淀与在线按需生成两种模式构建业务资产，消除人机之间的上下文代差，使 Agent 能跨越传统监控三板斧无法覆盖的断点。

告警噪声治理需分两层：轻量级置信度评估过滤无效告警，循证医学证据金字塔为保留下来的信号建立分级推理框架。 75% 以上的告警为噪声，全量 AI 处理成本极高且 ReAct 循环延迟不可控。第一层通过周期性规律、阈值偏离程度等画像统计筛除低置信告警；第二层按原始信号→背景上下文→单点观测→多元融合→直接因果建立五级证据体系，逐级提升推理置信度。

评测体系采用快照式监控数据转储而非仿真环境，以覆盖难以通过混沌工程复现的真实业务异常场景。 搜索量下降等业务指标异常无法人为构造，快手选择将故障发生期间的监控数据转储保存，构建真实场景评测集。评测集设计聚焦线索命中率等核心指标，形成可量化的迭代反馈回路。

确定性要求高的任务应封装为标准化算子而非依赖大模型推理，以根本消除幻觉并降低成本。 多模态识别监控趋势与时序数据计算均出现严重幻觉，改用孤立森林等传统算法后准确率显著提升。标准化算子具有统一接口、可调参数、可积累为算子库的优势，形成正向迭代回路。

Agent 与 Workflow 是互补而非取代关系：快思考用 Workflow 处理套路化场景，慢思考用 Agent 处理高度不确定的复杂业务故障。 Workflow 确定性高、延迟低、Token 消耗少，但缺乏灵活性；Agent 泛化能力强但引入延迟与不确定性。快手将 SOP 场景、Redis 排障等固定场景归入快思考 Workflow，将核心业务指标突变归入慢思考 Agent，分层治理。

💬 文章金句

- 如果想让 Agent 去做这件事，必须在技术指标之外理解业务，否则永远无法跨越这两个断点。

• 大模型本质上是一个概率预测器，并不擅长数值计算任务。
• 当确定性要求超过一定程度时，工程化封装成 Tool 和 Skill 是更优解。
• Agent 对 Workflow 并不是一个纯粹的取代关系，Agent 更像是一个更灵活的升级，而非一个'更智能'的代名词。
• 拿着旧地图，找不到新大陆。

📊 文章信息

AI 初评：91

来源：快手技术

作者：快手技术

分类：人工智能

语言：中文

阅读时间：38 分钟

字数：9490

标签： AI Agent, RCA 故障排查, AI 排障, 大模型应用, Multi-Agent

阅读完整文章