AI Search × ES Agent Builder 最佳实践：企业智能助手落地指南

企业数据为什么难被 AI 用好？

大模型已经很强了，但企业用起来总是差一口气。

一方面，通用大模型的知识来自公开语料，对企业内部的日志、文档、监控指标、历史故障一无所知；RAG 方案能补一部分，但是需要自己处理数据接入、向量化、权限控制、查询生成、对话界面等，搭建链路长、维护成本高。

另一方面，企业数据倒是有，就是难用：

运维工程师面对百亿级日志，要先想清楚字段名，手写聚合查询，才能知道哪个接口最慢
新员工找操作手册，关键词搜出来一堆，还要逐篇翻看才能拼出答案
OnCall 值班，告警响了，老员工靠经验快速判断，新人不知从何下手

ES Agent Builder 要解决的正是这个问题： 让企业已有的 Elasticsearch 数据，直接接上大模型的理解和推理能力，通过自然语言提问，拿到可读的结论和行动建议，不需要工程师手写查询，也不需要单独搭建复杂的 AI 链路。

三类高价值场景：你的业务适合在哪里落地？

在规划 Agent Builder 应用时，需要从具体的业务场景和痛点问题切入，比如以下三类场景：

架构全貌：三层能力 × 四个组件

理解 ES Agent Builder 的架构，有助于在搭建时做出正确的组件选择。整体分为三层：

第一层：数据层

阿里云 Elasticsearch 承载企业日志、文档、监控指标、告警事件和业务记录，为 Agent 提供可信、实时、可检索、可分析的上下文。数据层是整个方案的根基，Agent 的回答必须建立在 ES 的实时数据和权限控制之上，才能保证结果可靠、可追溯，适合生产环境使用。

第二层：模型层

模型层支持接入 AI 搜索开放平台模型、百炼 AI 大模型、Inference API 自定义模型等，负责理解自然语言意图、规划分析步骤，并对检索结果进行总结、推理和生成回答。

第三层：分析执行层

由 Agents、Tools 和 Skills 组成：

Agents：理解用户目标并编排任务，判断这是日志分析、知识问答还是排障请求，拆解问题、规划步骤
Tools：连接 ES 数据，执行检索、查询、聚合分析或外部动作，把模型推理结果转化为可落地的数据操作
Skills：沉淀不同领域的标准流程和经验，例如日志排查步骤、告警分析方法、知识问答规范，让不同 Agent 复用一致的处理方法

Agent Chat、Agents、Tools 和 Skills 这四个组件配合大模型和 ES 底座构成了"用户问题 → 模型推理 → 工具调用 → 企业数据 → 结论输出"的完整闭环。

五大核心能力

从自然语言到 ES|QL 的全自动转换

这是 ES Agent Builder 最直接的价值。用户用中文提问，Agent 自动识别相关索引，生成对应的 ES|QL 查询语句，执行后把结构化结果翻译成结论。

全程无需用户了解字段名、查询语法或聚合逻辑。对于习惯用自然语言描述问题的业务人员和不熟悉 ES 的新工程师来说，降低了学习和使用门槛。

内置工具集，开箱即用

ES Agent Builder 内置了一组面向数据分析的工具，比如 platform.core.search，Agent 用它自动发现集群中的数据源、定位目标索引，再根据问题类型决定用全文检索、聚合统计还是时序分析。

这些工具不需要用户配置，Agent 根据问题自主调用，能够覆盖大部分日志分析和知识检索场景。

Skills：把个人经验变成组织能力

Skills 是 ES Agent Builder 中专门用于沉淀领域经验的组件。它解决的问题是：排障怎么查、知识库怎么找、告警怎么判断，这些流程过去只存在于个人经验中，通过 Skills，可以把这些分析步骤固化下来，让不同 Agent 复用同一套处理方法。比如"接口变慢排查步骤：先看 RT 分布、再看错误率、再关联上下游服务"，写成 Skill 之后，任何人发起提问，Agent 都走同一条分析路径，结果稳定可预期。

多模型灵活接入

ES Agent Builder 通过 AI Connector 对接大模型服务，兼容 OpenAI 接口协议，接入阿里云 AI 搜索开放平台后可以使用通义系列模型，也可以使用百炼 AI 大模型、Inference API 自定义模型等，不同场景可以配置不同模型，在响应速度和推理深度之间取得平衡。

结果自动可视化

Agent 返回的不只是文字结论，对于数值型分析结果（如接口性能对比、请求量趋势、错误率分布），会自动生成柱状图、折线图等可视化图表，直接在 Agent Chat 中呈现，无需额外配置 Dashboard。

核心最佳实践：让 Agent 发挥最大价值

完成基础搭建后，以下实践将帮助你显著提升 Agent 的分析质量和稳定性。

数据质量是一切的前提

Agent 的回答质量上限由 ES 中的数据质量决定。建议：

目标索引的 Mapping 已正确定义字段类型（避免 keyword/text 混用导致聚合失败）
时间字段格式统一（建议使用 @timestamp，方便 Agent 自动识别时间范围）
关键业务字段有清晰的命名约定（中文字段名对 ES|QL 自动生成影响较小，但建议保持英文或拼音）

内置工具的正确使用

Agent Builder 内置 platform.core.search 等工具，能自动识别相关数据源并生成 ES|QL 查询。建议：

当 ES 中索引较多时，给目标索引添加清晰的别名（alias），帮助 Agent 更准确地定位数据源
对于复杂的多索引关联分析场景，可通过自定义 Tool 封装标准查询逻辑，减少 Agent 的推理负担

用 Skills 沉淀领域经验

Skills 是 ES Agent Builder 中最容易被忽视、却最有长期价值的组件。建议：

把团队内最常见的分析流程沉淀为 Skill，例如"接口变慢排查步骤：先看 RT 分布 → 再看错误率 → 再关联上下游服务"
不同业务域创建独立 Skill，避免混用导致分析路径混乱
定期复盘 Agent 的回答质量，把高频错误的处理方式更新到对应 Skill 中

模型选型建议

不同场景对模型能力的需求不同，以三种典型场景为例，推荐适合的模型如下：

场景	推荐模型	理由
日志分析（高频、简单聚合）	qwen-turbo	响应快，成本低
知识问答（复杂语义理解）	qwen-plus	语义理解能力强
运维排障（多步推理）	qwen3-max	推理能力强，适合复杂任务

更多模型选择请参考：

AI 搜索开放平台支持的模型列表：help.aliyun.com/zh/open-sea...

权限与安全边界

Agent Builder 继承 Elasticsearch 的数据访问控制，建议：

为 Agent 配置独立的 ES 用户，仅赋予目标索引的只读权限，避免 Agent 意外修改或删除数据
对敏感索引（如包含 PII 数据的用户行为日志）单独评估是否接入，或通过字段级权限过滤敏感字段

扩展集成：让 Agent 融入业务系统

Agent Builder 支持 MCP、A2A、REST API 等集成方式，可以：

通过 REST API 将 Agent 能力嵌入已有运维平台或 IM 工具（如钉钉）
通过 A2A 协议实现多 Agent 协作，例如告警 Agent 触发后自动调用排障 Agent
通过 MCP 连接外部工具，如调用内部 CMDB、通知系统、工单系统

详细操作步骤请参考：

阿里云 ES Agent Builder 使用指引：help.aliyun.com/zh/es/use-c...

效果示例

以一个真实使用场景说明 Agent 的完整推理链路。

问题输入： 分析一下历史请求，找出历史 RT 最低、性能最快的 API 接口

Agent 推理过程：

识别任务类型：API 性能分析
调用 platform.core.search 定位相关索引（如 api_access_logs）
自动生成 ES|QL 查询：按 API 名称分组，计算平均 RT、最大 RT、请求次数，按平均 RT 升序排列
执行查询，获取结构化结果
总结结论：指出 RT 最低的 API 是 getUserInfo（最低 RT 120ms），并生成所有 API 的性能对比柱状图

Agent 输出价值：不只返回查询结果，还将结果转化为结论、图表和排序，帮助用户在无需任何 ES|QL 知识的情况下，快速判断接口性能并确定优化方向。

这正是 ES Agent Builder 的核心：大模型不再脱离企业数据泛泛回答，而是基于实时、可信、可追溯的数据完成智能检索、分析和决策辅助。

核心价值总结

综上所述，ES Agent Builder 的价值可以概括为六点：

数据即上下文：直接基于 ES 中的日志、文档、指标、告警和业务记录进行检索分析，回答建立在实时数据基础上
工具即能力：通过内置工具和自定义工具完成检索、查询、ES|QL 分析和动作执行，把推理结果转化为可落地操作
低门槛构建：通过 UI 或 API 创建 Agent、工具和技能，快速组合自然语言交互、模型调用、数据检索和结果总结
可扩展集成：支持 MCP、A2A、REST API，既能连接外部工具，也能嵌入企业已有业务系统
安全可信：继承 Elasticsearch 的检索能力、索引管理和数据访问控制，在企业权限边界内使用数据
云上托管：依托阿里云 ES，复用实例、Kibana、网络、安全、运维和弹性能力，减少自建成本

总体来看，ES Agent Builder 的价值不是简单增加一个 AI 对话入口，而是把企业数据、模型推理、工具调用和云上托管能力统一起来，让企业以更低成本、更短路径构建可用、可信、可扩展的智能助手。