作者：来自 Elastic Elastic Observability Team
在 AI 时代，许多人将日志视为现代系统产生的 "废气" ------ 难以处理的非结构化数据字符串，通常被低效地存储，并且仅在故障排查时进行查询。对于基础设施管理人员、 SRE 和平台工程师而言，系统和应用日志长期以来主要是一种事后诊断问题的被动工具。
然而，生成式 AI（ GenAI ）提供了重新定义日志价值的机会。日志远不只是大量嘈杂的文本。当日志结合 AI 驱动的上下文增强和分析能力后，它们可以转变为一个持续被解析的丰富运营和业务智能数据流。
组织不必只是将日志归档到昂贵的存储系统中，而是可以高效地运营化利用日志，为客户体验提供洞察、保护收入，并将运营信号直接连接到业务成果。
日志的价值：现代可观测性中被忽视的日志潜力
传统日志分析工具高度依赖手动查询和调查，要求开发人员和工程师知道自己正在寻找什么才能找到相关信息。这阻碍了根本原因分析，并且日志通常只会在最后关头才被查阅。
由于日志存储效率低下，日志也经常被隔离，分散在不同的数据库、工具和团队之间。在如今不断扩展的数字化环境中，这种碎片化进一步增加了全面了解应用健康状况的难度。
碎片化也削弱了日志的上下文信息。如果没有上下文增强，一行日志只是一个孤立且未连接的事件。它只能告诉你发生了错误，但无法告诉你该错误是否影响了高价值客户、关键交易或重要收入来源。这种脱节使日志始终停留在技术运营领域，与下游业务影响中真正重要的指标相分离。
GenAI 如何将日志洞察转化为智能
GenAI 改变了我们与日志交互并提取价值的方式。大型语言模型（ LLM ）使用自然语言处理（ NLP ）来解析并 "理解" 日志。这也意味着团队现在可以使用人类语言探索日志数据，扩展日志分析的可能性。
现代基于 GenAI 的日志分析工具能够自主执行许多过去需要大量时间和专业知识才能完成的耗时或重复任务。 AI 可以组织和增强日志，关联跨系统信号，识别模式，对相关事件进行聚类，并在异常出现时及时发现，甚至能够在事件发生之前识别异常。它还可以生成事件摘要、指导调查并执行修复操作，帮助工程师快速解决问题，避免其影响收入。
最终结果是：日志成为动态且富含上下文的运营智能来源。对于 SRE 和平台工程师而言，这意味着减少管理数据管道的时间，将更多时间用于创新。对于业务管理人员而言，这意味着更快地进行数据驱动决策，并保护收入。
上下文增强：让日志具备可操作性
可观测性数据的上下文增强将原始日志数据连接到更广泛的系统、应用和业务环境中。
增强后的日志不再只是记录发生了什么 ，而是能够说明为什么这件事重要。通过更多上下文信息，一条简单的错误日志可以揭示：某个结账服务在高峰时段某个特定区域的 VIP 用户中发生了故障。
上下文增强帮助团队理解如何区分技术问题和影响业务的关键事件。
使用日志改善客户体验
日志和 GenAI 有潜力改变客户体验。传统上，客户体验问题通常通过用户投诉或高级别服务级别目标（ SLO ）来发现。相比之下，日志能够提供系统行为的细粒度实时可见性。当日志经过增强并进行智能分析后，它们可以成为发现面向用户问题的早期预警系统。
例如，日志可以在问题升级为大范围故障之前，发现细微的延迟增加、间歇性错误或服务降级。这些信号可以直接映射到服务级别指标（ SLI ），例如响应时间或错误率。
当 SLI 降低时， SLO 就会面临风险。通过将日志与以客户为中心的 SLIs 和 SLOs 连接起来，团队可以主动解决影响用户体验的问题，通常甚至在用户察觉之前完成处理。这使可观测性从被动监控转变为主动体验管理。
日志作为保护收入的战略资产
日志对于保护收入的重要性日益增加。每一次性能问题、失败交易或停机事件都可能带来财务风险。
由 GenAI 驱动的日志洞察可以改变这一局面。通过使用业务上下文和数据增强日志，团队可以识别哪些问题影响了产生收入的服务、高价值客户或关键工作流。这使团队能够更好地确定优先级，并更快解决对管理层重要的事件。
例如，通过日志检测到的支付处理错误激增，可以立即被标记为高优先级问题，其原因不仅是系统指标发生变化，更是因为它对收入产生了直接影响。在这种模式下，日志成为防止收入损失的第一道防线。同样的原则也适用于安全场景和安全事件。
安全日志分析工具不断融合的作用
现代安全日志分析工具正在结合 GenAI 发展，以检测越来越复杂的威胁。 AI 模型不再仅仅依赖预定义规则，而是能够在海量日志数据中识别异常模式，发现那些原本可能被忽略的潜在风险。将安全和可观测性场景结合在同一个日志平台上，可以实现更快的检测、更准确的优先级排序以及更好的事件响应。
现代 AI 日志分析需要关注的能力
随着日志角色不断演变，用于分析日志的工具也必须同步发展。
组织应该选择具备以下能力的日志分析工具：
- 集成 GenAI，用于摘要生成、异常检测和自然语言查询
- 在日志、指标和追踪之间提供内置的上下文增强能力
- 支持与以客户为中心的 SLIs 和 SLOs 保持一致
- 支持大规模实时处理可观测性日志
- 支持大规模高效的日志保留和处理
- 简化数据摄取和存储管理
这些能力对于将日志转变为战略运营资产，而不是被动的数据来源至关重要。
日志，推动更好的业务决策
日志的角色正在从系统诊断扩展为业务洞察的核心驱动力。
在 GenAI 时代，日志的价值在于它们能够连接系统、用户和结果。它们为理解不仅是你的环境中正在发生什么，还包括它如何影响你的客户和你的收入提供了基础。
对于业务经理、应用所有者、SRE 和平台工程师来说，这代表着思维方式的转变。日志不再只是调试工具。它们是事实来源、决策驱动力，并且越来越成为组织的竞争优势。
本文中描述的任何功能或特性的发布和时间安排均由 Elastic 自行决定。目前不可用的任何功能或特性可能不会按时交付，或者根本不会交付。
在这篇博客文章中，我们可能使用或引用了第三方生成式 AI 工具，这些工具由各自的所有者拥有和运营。Elastic 对第三方工具没有任何控制权，并且我们不对其内容、运行或使用承担任何责任或义务，也不对因你使用此类工具而可能产生的任何损失或损害承担责任。使用 AI 工具处理个人、敏感或机密信息时，请谨慎操作。你提交的任何数据可能会被用于 AI 训练或其他用途。无法保证你提供的信息会被安全或保密地保存。在使用任何生成式 AI 工具之前，你应该熟悉其隐私实践和使用条款。
Elastic、Elasticsearch 以及相关标记是 elasticsearch B.V. 在美国和其他国家/地区的商标、徽标或注册商标。所有其他公司名称和产品名称均为其各自所有者的商标、徽标或注册商标。
原文：Beyond debugging: How GenAI can turn logs into business intelligence | Elastic Blog