上周帮一个做连锁零售的朋友排查问题，他们12人的运维团队，一天要接3000多条告警。80%都是无效的。凌晨三点爬起来刷手机看告警，头发掉得比门店的临期商品损耗还快。
先搞懂你要AIOps解决的到底是什么
很多团队一上来就冲最炫的功能——自动根因分析、全链路故障自愈，仿佛买个大模型回来，运维的所有问题就能自动消失。
别笑。真见过。
去年有个做在线教育的客户，砸了快两百万上了一套号称”全智能”的运维平台，跑了三个月，误报率比用了五年的老规则引擎还高。最后全团队一致决定，把所有AI功能全关了，回到原来靠人盯监控面板的状态。钱打了水漂不算，大家对新工具的信任感直接跌到谷底，之后再想推任何自动化项目，没人愿意配合。
说白了，你连基础的数据底座都没搭好，扔个AI进去除了制造幻觉，啥用没有。就拿他们家的支付链路日志来说，一半的请求没带traceID，连请求是从哪个小程序入口进来的都查不出来，还想让AI自动定位是哪个节点出了问题？
说真的，这部分脏活累活没有任何捷径可走。你得先把所有监控指标的口径统一——比如”接口响应时间”到底是从请求发出去到收到首包的时间，还是到整个响应体加载完成的时间；得把半结构化的日志做清洗，把那些没意义的调试信息全删掉；得先靠人工把重复出现的告警规则先梳理一遍，砍掉至少70%的无效告警。等这些基础的有效数据攒够了，再喂给模型，才有可能跑出靠谱的结果。
别一开始就盯着最复杂的故障场景
我见过太多团队的AIOps项目，死在”眼高手低”上。刚把工具装好，就想直接上最复杂的自动根因定位功能，就像刚拿驾照就想跑F1赛道，不撞车才怪。
务实的落地路径真的没那么复杂。就从最简单的告警降噪开始做。
还是说回那个零售客户，我们帮他做的第一步，根本没碰什么复杂的模型，就是用最基础的聚类算法，把同源的告警做合并。之前某台服务器CPU飙高，会同时触发四个独立告警：CPU使用率超阈值、磁盘IO波动、服务响应超时、订单接口报错。四个告警分别弹给四个不同的运维，每个人都要手动查一遍，其实背后是同一个根因。合并之后，一天3000多条告警直接降到400多条，团队的告警处理效率提了60%。就这一个小功能，全团队乐了快一周——终于不用在大半夜被四个重复的告警连环call了。
等这个降噪的功能跑稳了，再慢慢往上叠能力。比如原来的规则引擎只能识别”CPU超过90%就算异常”，但模型可以识别”这台服务器平时CPU都是稳定在30%上下波动，今天突然升到60%，虽然没到90%的硬阈值，但其实已经是异常波动了”。这种对非标准化业务场景的识别，才是AI真的比传统规则强的地方。
团队的认知对齐比技术选型重要一百倍
我做了这么多年技术编辑，见过太多AIOps项目做砸，根本不是技术选型的问题，是从一开始三方的预期就根本不在一个频道上。
业务方觉得，上了AIOps，以后出故障全靠AI自动处理，凌晨再也不用喊运维起来值班；运维团队觉得，这东西就是领导拍脑袋搞出来给大家加活的，原来的规则用得好好的，为什么要折腾新东西；管理层觉得，花了几百万上的系统，三个月就得看到”运维团队规模缩减30%”的降本效果。
最离谱的是我去年接触的一个制造企业，IT负责人在项目启动会上直接把目标念成”上了这套AIOps系统，运维团队要精简三分之一”。消息传到运维群里，当天测试环境的账号就被大家集体锁了——你要裁人，还想让我们配合你把工具用熟？可能吗？
真正能把AIOps用起来的团队，都是从一开始就把预期拉得特别平：这东西不是来替代人的，是来帮人把那些重复的、没营养的杂活干掉的。原来运维工程师80%的时间都在处理重复告警、翻几百行日志、算每个服务器的资源使用率，这些机械性的活丢给AI，人才能腾出手去做架构优化、容量规划这些真正有长期价值的事。
那个零售客户的项目现在跑了快一年，原来每天要排两个夜班的运维团队，现在只需要留一个人备岗，遇到真的需要人工介入的告警再打电话。大家的月加班时长少了一半，没人再抵触这套系统，甚至有人主动提建议，要把监控里的哪些新指标喂给模型，让它的识别准确率再提一点。
其实AIOps从来不是什么需要顶礼膜拜的黑科技。它就是个能帮人省力气的工具。你搞清楚它的能力边界，从最痛的小场景开始慢慢迭代，它真的能帮运维团队少熬很多没必要的夜。要是一上来就抱着”上了系统就能躺平”的心态，最后大概率只会得到一堆没人点开的仪表盘，和一笔打了水漂的预算。