当前位置：首页 > news >正文

AWS DevOps Agent 实测：AI 自主运维从告警到根因报告的完整技术路径

news 2026/4/29 7:52:04

问题背景

企业级 AWS 环境里，EC2、RDS、EKS、Lambda、ALB 交织运行，一个故障的排查路径可能跨越 CloudWatch 指标、CloudTrail 操作记录、VPC Flow Logs、Config 变更等多个数据源。人工关联这些数据，从告警触发到定位根因往往需要 30 分钟到数小时。

AWS DevOps Agent（2026 年 3 月 GA）试图解决这个问题：AI 驱动的自主运维代理，接收告警后自动跨服务关联数据，输出结构化根因分析报告。

本文记录了用 EC2 CPU 告警场景做的一次完整测试，包括架构设计、部署代码和实际观察。

DevOps Agent 核心机制

自动拓扑发现

Agent 启动调查时，先自动调 AWS API 构建账户内的资源拓扑——哪些 EC2 关联了哪个 ALB、挂了哪个 RDS、属于哪个 VPC。不需要预先配置资源清单。

AI 自主调查策略

告警进来后，Agent 自己决定调查路径：先查 CloudWatch 指标确认症状，再翻 CloudTrail 看最近的 API 操作，然后检查 Config 变更和 VPC Flow Logs。整个过程不需要预定义 runbook。

结构化 Journal Records

调查结果按类型分层存储：

recordType	含义
symptom	发现的症状
finding	调查发现（含根因）
observation	观测数据
investigation_gap	调查中的信息缺口
investigation_summary_md	Markdown 格式完整摘要

触发方式

Backlog Task：异步模式，适合自动化流水线。Agent 调查完通过 EventBridge 发布 Investigation Completed 事件
Chat API：同步流式响应，支持多轮对话，适合交互式排查
Webhook：第三方系统（PagerDuty、Datadog、Grafana）直接 POST

测试架构：事件驱动全链路

EC2 CPU > 80%→ CloudWatch Alarm→ EventBridge Rule-1→ Lambda-A: create_backlog_task()→ DevOps Agent 自主调查（5-15 min）→ EventBridge Rule-2 (aws.aidevops / Investigation Completed)→ Lambda-B: list_journal_records() → 飞书通知

Lambda-A：触发调查

import json, os, boto3def lambda_handler(event, context):detail = event.get("detail", {})if detail.get("state", {}).get("value") != "ALARM":return {"statusCode": 200, "body": "Skipped"}alarm_name = detail.get("alarmName", "Unknown")metrics = detail.get("configuration", {}).get("metrics", [])instance_id = ""if metrics:dims = metrics[0].get("metricStat", {}).get("metric", {}).get("dimensions", {})instance_id = dims.get("InstanceId", "")client = boto3.client("devops-agent", region_name="us-west-2")resp = client.create_backlog_task(agentSpaceId=os.environ["DEVOPS_AGENT_SPACE_ID"],taskType="INVESTIGATION", priority="HIGH",title=f"Investigate: {alarm_name} - {instance_id}",description=f"Alarm '{alarm_name}' on {instance_id}",)return {"statusCode": 200, "body": json.dumps({"taskId": resp["task"]["taskId"]})}

注意：Lambda 运行时内置 boto3 不包含 devops-agent 客户端。需要通过 Layer 部署新版 boto3：

mkdir -p /tmp/boto3-layer/python
pip install boto3 -t /tmp/boto3-layer/python --upgrade
cd /tmp/boto3-layer && zip -r /tmp/boto3-layer.zip python/
aws lambda publish-layer-version --layer-name boto3-latest \--zip-file fileb:///tmp/boto3-layer.zip --compatible-runtimes python3.12

Lambda-B：获取报告

def get_summary(space_id, exec_id):client = boto3.client("devops-agent", region_name="us-west-2")resp = client.list_journal_records(agentSpaceId=space_id, executionId=exec_id)for r in resp.get("records", []):if r.get("recordType") == "investigation_summary_md":return r.get("content", "")return "No summary available."

EventBridge 规则

# 告警 → Lambda-A
aws events put-rule --name "Alarm-To-Agent" \--event-pattern '{"source":["aws.cloudwatch"],"detail-type":["CloudWatch Alarm State Change"]}'# 调查完成 → Lambda-B（事件源是 aws.aidevops）
aws events put-rule --name "Agent-Done" \--event-pattern '{"source":["aws.aidevops"],"detail-type":["Investigation Completed"]}'

Chat API 实时对话

Backlog Task 是异步的。需要交互式排查时用 Chat API：

chat = client.create_chat(agentSpaceId=SPACE_ID, userId="user", userType="IAM")
resp = client.send_message(agentSpaceId=SPACE_ID, executionId=chat["executionId"],content="哪些 EC2 实例最近 1 小时 CPU 超过 80%？",userId="user",
)
# 流式返回，解析 contentBlockDelta.delta.textDelta.text

同一 executionId 多轮对话保持上下文。

测试观察

指标	结果
调查启动到完成	约 8 分钟（单 EC2 实例场景）
报告结构	Symptom → Finding → Observation → Summary，层次清晰
根因准确性	准确定位到 stress 进程导致 CPU 飙升
部署复杂度	2 个 Lambda + 2 条 EventBridge Rule，约 2 小时

GA 版还支持 Azure 和本地环境（通过 MCP 协议），以及 Datadog、Dynatrace、PagerDuty、ServiceNow 等第三方集成。Agent 通过 IAM 角色（服务主体 aidevops.amazonaws.com）调用 API，所有操作 CloudTrail 可审计。