凌晨2点，数据库连接池耗尽，订单接口大面积超时。 监控告警触发后，AI Agent用17秒拉完日志、定位原因、执行降级，8分钟后服务恢复。同一类故障人工处理平均需要47分钟。这是某中型跨境电商平台2026年6月的生产数据（来源：腾讯云开发者社区报道）。
这个Agent不是突然变聪明的。它背后是“主持人+专家”的混合架构。主持Agent接警后，通过MCP协议从ELK系统找异常栈，然后按告警等级分给对应的专家Agent——数据库、网络、应用、安全各有一个。拿数据库连接池耗尽来说，数据库Agent先读配置、看活跃连接和慢查询，然后调用工具扩容连接数、降级非核心查询。每一步都记入“决策链”备审。
每个专家Agent都被Prompt约束得死死的：必须区分原因和现象，输出固定JSON格式（根因、影响范围、修复建议、置信度），置信度低于70%必须标“待人工确认”。下面是生产环境在用的一条日志分析Prompt（已脱敏）：
你是一个资深SRE专家，负责分析线上故障。
输入是ELK返回的日志片段，输出必须为以下JSON：
{
"root_cause": "具体原因",
"impact": "影响范围（如：订单接口超时率20%）",
"suggestion": "修复指令列表",
"confidence": 0.85
}
规则：
- 优先排除网络抖动、磁盘满等常见误报
- 若日志包含“OutOfMemory”或“Timeout”，必须检查关联指标
- 禁止编造未出现的关键词
- 置信度<0.7时，suggestion中携带“manual_review_required”
加上这样的约束，误判率从34%降到了9%（同一生产环境统计）。
工具调用是严格排了顺序的：先查日志，再看指标，最后才改配置。工具箱包括ELK日志查询、Alertmanager、Kubernetes、Ansible、网关API等。每步操作前要跑“影响面计算”，如果可能影响超10%用户，Agent自动暂停等人工。
人工介入防线也有明确台阶，按故障等级走：
- P0（网站瘫了）：所有操作都要人机双确认。
- P1（核心功能挂）：影响面>10%用户就要人工审批。
- P2（次要模块） ：除非Agent自己没把握（置信度<0.7），否则不用叫人。
（以上条件来自该平台的真实跑分数据。）
下面是一段简化的Agent核心代码，跑通MCP工具调用：
import json
from mcp_client import MCPClient
class OpsAgent:
def __init__(self, tools_registry):
self.mcp = MCPClient()
self.tools = tools_registry
def analyze_and_fix(self, alert_payload):
alert = json.loads(alert_payload)
logs = self.mcp.call('elk', {'query': alert['query']})
prompt = self._build_prompt(alert, logs)
response = llm.chat(prompt)
decision = json.loads(response)
if decision['confidence'] < 0.7:
return {'status': 'manual_review', 'payload': decision}
for step in decision['actions']:
tool = self.tools[step['tool']]
result = self.mcp.call(tool, step['params'])
if result['error']:
self._rollback(step)
return {'status': 'failed', 'reason': result['error']}
return {'status': 'resolved'}
实际上生产级还要加幂等、超时、审计日志。
Agent决策好不好，很依赖背后知识库。团队踩过的坑是，RAG准确率只有64%时，Agent分析经常跑偏。后来用混合检索+重排序提到85%以上才稳住。另外，修复脚本如果是AI生成的，可能埋雷——GitClear数据显示AI代码重复率在涨，严重漏洞比例能到22%。所以他们加了代码审查（SonarQube）卡住不达标的修复。
总结来说，这个方案不是什么天顶星科技，就是用MCP把ELK、Prometheus、Kubernetes这些已有工具串起来，加上领域Prompt和人工兜底。想试水的团队可以从“数据库慢查询自动Kill”或“日志打标签”这类小场景起步。最后留个提醒：别追求100%自动化。上海消保委2026年6月的数据显示AI自动扣费投诉超22万条，自动操作失控不是想象。留住“人工确认”这个闸门，Agent才靠谱。
