案例名称

四川银行AI助力智能运维实践

案例简介

四川银行针对运维场景信息查询碎片化、告警研判高度依赖人工经验、重复巡检任务繁重等痛点，依托行内 AI 算力平台与大语言模型底座，搭建专用运维智能体平台。项目打通全栈可观测系统的数据与工具，建成智能巡检、告警智能研判、链路智能诊断、运维问数等核心能力，支撑运维人员快速调取运行信息、识别异常、压缩故障排查范围。

项目投用后，故障实现分钟级定界，运维效率提升 60%，有效减轻运维人员重复性事务负担，降低人为判断偏差。本项目充分复用行内既有 AI 基础设施，探索出一套稳妥可行的实施路径，实现 AI 能力与运维业务深度融合，为银行业 AI 智能体规模化、安全化部署提供实践样本。

创新技术/模式应用

1. 建设算力与模型服务能力，为运维应用提供支撑

算力平台为模型部署和推理提供资源支持，根据设备兼容性、模型适配情况及运行需求安排资源接入与配置。建设规划在满足不同技术路线要求的前提下，尽量减少独立平台数量和重复部署。模型管理平台承担模型服务管理，通过模型网关提供调用入口，减少应用分别对接模型的适配工作。运维智能体由独立的运维智能体平台开发和承载，使用行内基础能力开展场景建设。

2、构建内核级零侵扰全域感知体系

依托eBPF内核级技术实现全栈观测能力的突破，无需业务侧代码插桩、无需修改应用配置，在极低资源开销下完成基础设施、网络流量、应用性能、业务链路的多维度数据采集，消除传统监控体系对业务系统的侵入性负担，实现从内核态到用户态的无盲区、无介入式全景观测，构建无感的全域数据感知底座。

3、实现面向智能运维的一轴四维可观测架构

以交易场景可观测为核心主轴，打通基础设施层、应用服务层、业务链路层、用户体验层四大维度的数据孤岛，通过智能标签引擎实现全栈观测数据的自动关联与高效存取，打破传统运维工具烟囱式部署的碎片化困局。在此基础上，向独立的运维智能体平台提供数据查询与链路分析能力，使模型分析能够结合具体交易场景和系统运行信息，为智能诊断、巡检和运维问数提供支撑。

4、大模型驱动的智能运维能力升级

依托行内算力资源和模型管理平台提供的模型服务，建设智能诊断、智能巡检、智能运维问数等运维场景，运维人员可以通过自然语言进行故障根因分析、启动巡检任务以及查询运维数据，显著降低运维工具使用门槛，缩短问题定位时间，提升日常运维效率与决策质量，并在现有应用基础上，逐步探索多智能体协同和受控自动处置。

项目效果评估

1. 支持日常运维智能化改进

依托行内算力资源和模型平台，通过独立的运维智能体平台，将大模型分析能力用于监控、告警、巡检和排障等日常工作，开展智能诊断、智能巡检和运维问数。智能巡检、链路分析覆盖重要系统和交易场景，支持人员通过自然语言查询运行情况、分析异常信息，降低运维工具的使用门槛。

2. 缩短故障分析与排查时间

利用全栈可观测底座运维数据，关联基础设施、应用和业务链路信息，辅助人员开展故障分析，问题定位时间压缩至分钟级，运维人员可以自然语言问答进行链路钻取，减少跨团队的信息核对与沟通协调。核心业务平均故障恢复时间缩短，为业务连续性提供支持。

3. 减少巡检与告警分析中的重复工作

告警分析、自动巡检等智能体辅助运维人员开展日常检查和异常分析，减少告警噪音与无效告警干扰，降低人工巡检频次和重复性劳动，提升异常发现的及时性与准确性。整体运维效率提升60%，核心业务平均故障恢复时间大幅缩短，使人员能够将更多精力投入异常核验和问题处理。

4. 加强AI应用的使用管理

通过操作留痕和细粒度权限控制，加强AI调用的访问管理与过程追溯，为运维场景使用模型服务提供管理支持。项目将行内AI基础能力与现有运维数据、工具结合，为重要系统运行保障提供支持，实现从被动救火到主动预判的运维范式升级，为业务连续性筑牢坚实底座。相关实践可供同类机构开展智能运维建设参考。

责任编辑：佟桃梨