前沿研究
运维 Agent 真正能接手什么：从日志到故障处置
运维 Agent 要落地，关键是把日志、CMDB、指标、脚本和审批串成可审计链路。低风险动作可以自动执行，高风险变更交给人工；每次修复都要验证指标、保留现场，并准备回滚。
阅读全文
Search
站内搜索
关键词：故障自愈
找到 5 篇相关文章
前沿研究
前沿研究
昇腾910C集群运维实录：从算力调度到应用适配的避坑指南
基于河套学院千卡集群训练1.6万亿参数DeepSeek-V4-Pro的实战经验，拆解网络拥塞、显存碎片化、CANN算子迁移与故障自愈中的具体陷阱，提供可复用的配置参数和监控看板搭建方法，帮助一线运维工程师少走弯路。
阅读全文1.6万亿参数训练零中断：昇腾910C千卡集群稳定性实测
2026年6月，深圳河套学院团队联合华为，在昇腾910C千卡集群上完成DeepSeek-V4-Pro的1.6万亿参数后训练，全程1500余步无中断，故障率0.3‰，MFU超30%。全栈可观测系统与硬件特征库实现秒级自愈，
阅读全文Agent自动化运维踩坑记：从‘自动重启’到‘删库跑路’的安全护栏
2026年PocketOS删库事件敲响警钟：AI Agent自主运维可能9秒清空生产库。本文结合阿里云DataGateway、三层运行时安全架构等最新实践，拆解权限黑洞、沙箱缺失、审计盲区四大陷阱，给出权限最小化配置、沙
阅读全文AI Agent自愈实测：P0故障8分钟恢复实录
某中型电商平台自建AI Agent，把P0故障恢复时间从47分钟砍到8分钟。文章拆解它怎么看的日志、怎么判断根因、怎么调用工具修复，以及什么情况下必须等人来批。
阅读全文