Circle K 如何借助 Amazon Bedrock 将 DevOps 事件分诊加速至 15 分钟以内 | Amazon Web Services

王者归来已是老翁AI 前沿📡 BestBlogs·AI高分精选⭐ 882026-11-03145 阅读💛 113 收藏
Circle K 如何借助 Amazon Bedrock 将 DevOps 事件分诊加速至 15 分钟以内 | Amazon Web Services

📌 One-Sentence Summary

Circle K 使用 Amazon Bedrock Flows 和 AgentCore 实现 DevOps 事件分诊自动化,通过智能体 AI 架构自动调查事件并向 Slack 推送结构化摘要,将平均分诊时间从 45-60 分钟缩短至 15 分钟以内。

📝 Summary

Circle K 针对 DevOps 事件分诊的开销问题,基于 Amazon Bedrock 构建了一套自动化系统。该方案采用智能体 AI 架构,由多个专用智能体自主调查事件,并在数分钟内将结构化摘要推送至 Slack。系统最初基于 Amazon Bedrock Flows 构建,采用并行智能体(AWSResourceExplorerAgent、OpenSearchExplorerAgent、GitHubExplorerAgent),后迁移至 Amazon Bedrock AgentCore Runtime 以获得更好的可扩展性。三阶段流水线由 Lambda 函数调用 Flow 启动,触发并行智能体分别查询基础设施、日志和代码仓库。结果汇入 AnalysisPrompt,生成包含根因、证据、受影响服务及修复步骤的结构化摘要。自 2026 年 4 月部署以来,Circle K 将平均分诊时间降低了 67-75%,简单事件可在 5-8 分钟内完成,复杂的多服务事件也能在 15 分钟内完成。关键经验包括:将日志内容直接放入提示词、调优检索与生成设置、利用日志发现缩小代码搜索范围,以及让分析逻辑独立于编排层。

💡 Main Points

Circle K 利用 Amazon Bedrock 智能体 AI 架构实现 DevOps 事件分诊自动化,将平均分诊时间从 45-60 分钟缩短至 15 分钟以内。

该系统使用专用智能体自主调查事件,并在告警触发后数分钟内将结构化摘要推送至 Slack,使工程师能够立即采取行动,而无需花费时间手动收集上下文信息。

该方案从采用并行智能体的 Amazon Bedrock Flows 演进至 Amazon Bedrock AgentCore Runtime,以获得更好的可扩展性和更长的会话时长。

AgentCore Runtime 支持最长 8 小时的会话,并提供会话持久化、基于 OpenTelemetry 的可观测性以及框架灵活性,使团队能够将三个专用智能体整合为单一智能体,同时保留迭代调查能力。

三阶段流水线使用并行智能体分别查询基础设施、日志和代码仓库,随后由 AnalysisPrompt 生成包含根因、证据和修复步骤的结构化摘要。

AWSResourceExplorerAgent 检查 ECS 任务状态和 CloudWatch 指标,OpenSearchExplorerAgent 查询日志并检索产品卡片,GitHubExplorerAgent 搜索代码仓库以定位代码级问题。AnalysisPrompt 将各项发现关联起来,推荐具体的修复方案。

关键实施经验包括:将日志内容直接放入提示词、调优检索设置、利用日志发现缩小代码搜索范围,以及让分析逻辑独立于编排层。

这些实践通过降低延迟、确保摘要一致性、将搜索聚焦于相关代码,以及支持从 Flows 迁移至 AgentCore 而无需重写分诊逻辑,提升了智能体的表现。

💬 Key Quotes

许多 DevOps 团队都熟悉这种事件分诊模式:告警触发后,在任何人能够修复问题之前,工程师要花 45-60 分钟弄清楚发生了什么。

自部署该系统以来,Circle K 已将平均分诊时间缩短至 15 分钟以内,根据团队内部的事件响应指标,降幅达 67-75%。

该方案采用智能体 AI 架构,自主调查每起事件,并在告警触发后数分钟内将结构化摘要推送至 Slack。

三路输出全部汇入 AnalysisPrompt 节点,该节点是一次不挂载任何工具的单一模型调用。它接收 AWS 资源数据、OpenSearch 日志和 GitHub 上下文,然后生成结构化摘要:可能的根因、支撑证据、受影响的服务及负责人,以及推荐的修复步骤。

📊 Article Meta

AI Screening: 88

Source: AWS Artificial Intelligence

Author: Marek Klatowicz

Category: 人工智能

Language: 英文

Read Time: 12 min

Word Count: 2765

Tags:

AI 与智能应用 , AI 工作流 , AI 工程 , AI Agent , LLM 推理优化

#AI 与智能应用# AI 工作流# AI 工程# AI Agent# LLM 推理优化

文章评论(12)

杨丽华12 天前

内容翔实,正好需要,先收藏再看。

回复
陈皮话梅糖13 天前

看标题就点进来了,内容果然没让人失望。

回复
蓝光12 天前

有没有更详细的教程,期待后续。

回复
郭超12 天前

楼主辛苦了,内容很有参考价值。

回复
雪影12 天前

作者写得真不错,学到了不少。

回复
墨向阳12 天前

点赞,必须点赞

回复
风倚栏12 天前

实话,说的不明不白

回复
暮拾贝12 天前

这个观点很中肯,深有同感。

回复
空向阳12 天前

点赞,必须点赞

回复
蓝光12 天前

赞同,实践出真知。

回复
空向阳12 天前

不错不错,已加入书签。

回复
一个橘子12 天前

实测过类似工具,作者说的基本属实。

回复