作者：望陶、朴象、白玙
随着大模型的飞速发展，Agent 进入越来越多的领域。但当 AgenticOps 要真正走进生产环境，靠的不是一个更强的模型，而是一整套可持续建设的工程底座。要进入生产，必须同时具备完整的运行事实、统一的故障上下文和可复现的能力验证体系。这对应三个层层递进的挑战，也对应三项开源建设。一次真实故障，要能被稳定采集、被正确理解、被重复验证------跨越这三道墙，缺一不可。而今天，我们以这三道墙为主线，为大家分享阿里云可观测团队在 AgenticOps 的开源建设过程中的实践与思考。
开源建设：把运行事实可靠地带回来
在数据采集方面，我们完全基于开源、拥抱开源，长期投入 OpenTelemetry 社区项目。主要贡献集中在三个方面：语义规范层面、各语言项目（Go、Java、Python），以及面向 Coding 场景与 Agent 的采集工作。 我们也发布了开源项目 LoongSuite，它基于 OpenTelemetry 标准做了扩展。在阿里和客户的实践中，我们往往比社区走得更靠前一些，把实践先落地在这里，再把成熟的能力不断回馈给 OpenTelemetry 社区。所有产生的数据都是标准化的、符合 OpenTelemetry 规范的，并以 OTLP 协议格式发送到任意支持的后端------不只是阿里云，可以是任意支持 OTLP 协议的服务商。有了这些数据，就能用 UModel 做数据关联，通过 BRiSE 做评估和实验。
整个采集底座由五条路径构成，覆盖服务端、基础设施和端侧 Agent，最终进入同一套 OpenTelemetry 语义与输出：
三条主线的适用条件各不相同：编译时插桩适合可以重新构建的应用；eBPF 覆盖不能重编译的存量系统；运行时插桩适合框架丰富、需要应用内语义的环境。具体组合取决于应用条件、语义深度和运行权限。
（一）OBI：让"不能改代码"的应用变成标准化 OpenTelemetry 信号
第一个是 OBI（OpenTelemetry eBPF Instrumentation）。它基于 eBPF 技术，主要面向那些无法修改代码的系统------我们无法触及、无法对它做埋点和采集。这时可以通过 eBPF 这种无侵入技术，在任意语言、任意环境下（包括 x86、ARM，任意 K8s、ECS，Sidecar/DaemonSet 部署）自动捕捉信号，做到零改码、零 SDK、零重启。
我们通过 eBPF 的 kprobe/uprobe 拦截应用发送网络请求时的关键信息，在 TLS 边界内获取明文（在加密前、解密后采集，无需密钥），再经用户态语义恢复（HTTP/协议解析、Provider 检测、大包重组），最终输出标准的 OTel GenAI Span。在 Agent 场景下，OBI 能自动识别调用大模型的协议------OpenAI、Anthropic、Gemini、千问等------并把输入输出、工具调用、MCP 调用、RAG、Embedding 等信息完整采集出来，产生的都是符合 OpenTelemetry 规范的标准数据。
这里有一个特别好的应用场景就是 Agent Sandbox。Sandbox 相当于一个虚拟隔离化的容器，在里面很难做侵入式埋点，所以我们在云监控上线的基于 Sandbox 的可观测能力，正是基于 OBI 实现的。OBI 不只是看见网络流量，而是把不可插桩的场景，还原成可关联、可比较的 GenAI 语义。
（二）国产框架贡献进入 OpenTelemetry 之路
除了 eBPF，我们在 Java 和其他语言上也向社区贡献了大量框架支持。以 RPC 框架 Apache Dubbo 为例，这个项目我们花了很多时间跟社区一起共建，走出了一条清晰的贡献路径：首先在生产中发现采集问题，把 bug 反馈给社区，不断修复、逐步补齐能力、替换废弃 API；接着跟社区一起商讨 RPC 框架到底应该怎么采集，共同制定语义规范------为 Dubbo 这类 RPC 框架单独定义语义规范，并新增 Dubbo RPC 指标，从 Trace 扩展到 Metric，建立独立的 SemConv 页面；然后按规范重构插桩、固定字段语义、实现与规范对齐；打磨稳定后进入 stable 支持。整个过程前前后后花了一年多到两年。
有了这样一个范式，就可以把它拓展到更多场景------RPC、网关、数据库访问、任务调度、消息等等，我们把很多插件和框架的支持都贡献给了社区，形成了一套比较完善的规范，跟社区一起共建。
（三）Semantic Convention 语义规范：双轨协作
语义规范是 OpenTelemetry 社区里非常核心的一个项目。它规定的是在可观测领域到底应该采集什么数据、叫什么名字、要什么单位、怎么采集。OpenTelemetry 社区有几十家厂商，包括国内外各种云厂商和可观测领域的头部企业，共同投入大量研发协商出这套规范。一旦满足规范，任意实现都能被观测领域的各家厂商很好地适配。
一开始我们跟社区一起共建 GenAI（Agent 领域）的语义规范，但社区希望我们先有真实场景的验证。于是我们走了一条双轨协作的路径：
- OTel 上游社区轨道： OpenTelemetry 启动 GenAI SemConv 讨论 → 社区 maintainer 建议先完成真实场景验证 → 逐项回馈字段、工具与 Agent 插桩。
- LoongSuite 验证轨道： 整理内部模型调用与工具执行语义 → 阿里云、阿里控股与蚂蚁开展大规模验证 → 开源 LoongSuite GenAI SemConv。
两条轨道的分工很明确：LoongSuite 先在真实场景中快速验证字段和实现，成熟后再提交 OpenTelemetry，供不同厂商长期使用。一条承担快速试验，一条承担跨厂商长期维护。
在语义规范之上，我们拓展了几个关键场景：
- Entry / Step：按调查层级阅读。 Entry Span 保留一次用户请求的原始输入与最终输出------之所以要单独记录，是因为有些框架会篡改用户的原始输入，导致我们采集到的东西并非本意。Step Span 表达 ReAct 中的一次思考、行动和观察，一次复杂任务可能执行几十轮甚至上百轮，长 Trace 按轮次折叠后，调查步骤更容易阅读。
- Skill：按业务功能归因。 Skill 是生产中特别重要的资产，位于 Agent 与 Tool 之间，记录 name、id、description 和 version。有了这些规范，就能基于 Skill 做后续的分析和评估------前面嘉宾分享到的 Skill 调优实践，正是来源于这样的规范采集。
这些实现能在不同框架中完成，包括 AgentScope、LangChain 这样的框架，以及 Claude Code、Codex、Hermes Agent、OpenClaw、QwenPaw 等 Coding Agent，都能完整覆盖。
（四）为推理引擎建立请求级 OpenTelemetry 追踪
除了在 Agent 层面，我们还在推理引擎侧做了观测实践。我们希望把 Agent 的请求一路透传到推理引擎，完整看到这条链路到底慢在哪里、卡在哪里。以社区框架 SGLang 为例，阿里云的贡献让它能从一次请求下钻到推理阶段，记录引擎中排队、Prefill、Decode 与跨节点传输等重要节点：
- 核心机制贡献（从 0 到 1 建立原生追踪框架）： 设计 Request → Request Phase → Token 三级粒度，提供并发维度分析视图，解决 TP/DP/PP 和 PD 跨节点的上下文传播。
- 工程化贡献（从"能追踪"走向"可持续维护"）： 持续补齐 Gateway/Engine 传播、trace level、阶段指标统一、Perfetto 导出及分级 CI 测试。
这样就能分级采集到每一次 Token 预测的概率层面，更细腻地观测每个请求的实际执行情况。这部分能力也一并向社区捐献、合并了进去。请求级 Trace 能告诉我们一次调用慢了或答错了，Token 级观测则能进一步定位到具体 Token、生成阶段和跨租户资源干扰。
（五）LoongSuite Pilot：面向 Coding Agent 场景的标准化采集
LoongSuite Pilot 是我们面向 Coding Agent 场景推出的标准化采集能力。它解决的问题是：我们有非常多的 Coding Agent，无论在个人办公场景还是生产中都会大量使用，比如 Claude Code、Codex 等，它们在完成复杂任务时也需要把执行轨迹记录下来。
通过 LoongSuite Pilot，可以一站式完整采集各种 Coding Agent（支持 20+ AI Agent，覆盖 Codex、Claude Code、Qoder、Cursor、OpenCode、DeepSeek、Harness 等），把观测对象从服务进程扩展到闭源 Agent、开发机和 CI，统一映射到 GenAI SemConv，再发送到任意可观测后端（SLS、CMS/ARMS、Langfuse/OTLP、本地/HTTP）。基于这份数据，就能定位问题、发现 Token 消耗、做评测优化、优化 Skill、调优 Agent，甚至做安全审计------比如知道它访问了什么不该访问的数据、执行了什么不该执行的命令。
（六）社区贡献：让生产经验持续进入 OpenTelemetry
过去几年持续贡献，我们向社区提供了大量 PR 和 Issue，也实际拿到了很多 maintainer 和 approver 席位，参与到 OpenTelemetry 社区的治理规范中：
- 贡献分布： 三年内共 432 条贡献，259 个 PR（205 已合并，79.2%）+ 173 个 Issue；其中 Java 135、Go 147、eBPF 47、Python 10、SemConv 23、GenAI SemConv 12、community 22、官网 16。
- 治理席位： Go maintainer（7 席中 3 席）、Java approver（11 席中 1 席）、GenAI SemConv approver（8 席中 1 席），共 5 个治理席位直接参与规则讨论和版本决策。
规则进入 OpenTelemetry 后可以跨厂商复用，用户迁移时无需重做采集和字段映射。规则从单一厂商维护，变成社区共同承担。就在最近，OBI 项目又有团队成员新晋升为 approver，再添一个新席位。
UModel 语义运行时：围绕对象组织故障上下文
数据辛辛苦苦采集进来，Agent 就能把故障看明白吗？这就是第二道墙------上下文读不懂。LLM 刚出来时，我们欣喜地看到它能读懂错误日志，但随着真正的业务落地，我们发现真正关键的是让模型理解背后的数据、对象、关系，理解对象之间的关系和时间，以及这些数据的来源。如果没有这些东西的对齐，Agent 在每一次调查里都可能一本正经地胡说八道，这样的结果让 SRE 同事难以信赖。UModel 要做的，就是围绕当前故障对象，把分散在各个监控系统的指标、日志、链路、事件统一组织起来，形成一个可查询、可追溯、可继续补充证据的调查上下文。
（一）真实案例：Checkout Service 成功率下降
以 OTel Demo 中的 Checkout Service 为例。业务侧最先感知到的现象很直接：Checkout Service 支付成功率在 3 分钟内从 99.6% 降至 92.1%，下降了 7.5 个百分点。用户其实不会关心这是数据库、容器还是下游的问题，他会投诉支付不顺畅、结算不顺畅。而对 AgenticOps 的 Agent 来说，任务就是从业务现象出发去调查排查。Agent 可访问的数据看起来已经非常齐全：
再看时间线：09:58 起，10:01 发布 V2.4，10:04 数据库连接数上升，10:06 payment 超时。SRE 的第一反应往往是"是不是这个发布引起的故障"------这是有经验的人的合理直觉。但时间相近的三条线索还不能证明因果关系，发布仍只是一个待验证的假设。
Agent 真正需要确认的是：这次发布影响了哪些实例？连接数变化对应哪个 MySQL 对象？发生超时的 payment 调用和成功率下降的 Checkout Service 是否在同一个依赖路径上？要把所有事实放到同一个空间、同一个时间窗口内，才能判断它们如何关联。于是有了四个关键判断：哪个对象先变化？哪条证据支持原因？异常怎样传播？下一步验证什么？
（二）UModel 的三层结构：聚合对象、关系、状态和证据，形成 Agent 可继续执行的调查上下文
UModel 通过"静态语义模型 → 语义运行时 → 任务上下文"三层结构，把分散信息组成调查所需的上下文：
- 静态语义模型： 定义 checkout、payment、MySQL、Pod 等对象类型，定义它们之间的关系类型（calls / depends_on / owns / runs_on），定义数据语义（成功率 / DB 连接数 / 请求超时 / release）以及规则与动作（发布验证 / DB 连接池 / 下游依赖）。没有这一层约束，同一个对象在不同系统里可能一直对不上。
- 语义运行时： 任务发生时动态编译，只聚焦当前对象、当前时间窗口和与调查有关的事实。三个明确条件是------焦点对象 checkout-service、时间范围 09:58---10:06、目标是解释成功率下降（不是做巡检）。无关数据全部排除，只给 Agent 需要的关键数据。
- 任务上下文： 输出的不是琐碎元数据，而是对象实例（Deployment/Pod/calls）、关系子图、状态快照（99.6%→92.1%）、关键事件（10:01/10:04/10:06）、事实证据（指标/日志/请求/事件），以及建议的验证顺序（发布 → DB → 下游）。
这样 Agent 既能看到成功率下降，也能知道这组变化对应到哪组数据里。
（三）跨域调查：保留对象、时间和来源
我们来看具体怎么排查，用户的请求很朴素："请调查 checkout-service 在 09:58---10:06 成功率由 99.6% 降至 92.1% 的原因。"这背后要跨越发布系统、数据库、调用链、监控日志多个数据域。沿着确认的对象和时间窗口，Agent 执行只读的跨域调查，按三条路径逐项补齐证据：
1. 变更方向： 10:01 发布的 V2.4 版本到底影响了哪些对象；
2. 数据库方向： 10:04 连接数上升的具体表现和相关日志；
3. 下游方向： 10:06 payment 超时和 checkout 成功率之间的关系。
这里有一组关键字段是 Agent 必须反馈的：entity_id、window、source_ref、plan。也就是说，Agent 不光要自己排查，还要告诉用户------自己排查的对象是哪个实体、属于哪个时间范围、来自哪里，以及这次调查服务于整体排查链路中的哪一环。这样继续排查下去，就不会丢失最初定义的问题边界。
有了这样的排查记录，人可以复查 Agent 的排查过程是否靠谱，另一个 Agent 也可以按它的排查链路做 validate。通过实验我们发现，这能在不同模型上提高 50% 到 100% 的诊断质量。
（四）UModel 开源建设：对象图、查询服务与 Agent 已形成公共语义标准
我们希望这种运维数据的语义建模不只内部团队使用，也希望对其他企业开放------尤其是现在大家可能是多云，我们希望不同产品都能用统一的方式建立运维的语义运行时，形成统一的语义规范，这样我们在跨产品问题追踪的时候可以使用相同的一套语言规范。这也是我们开源 UModel 的原因，具体包括三部分：
- 代码仓库： 以 Apache-2.0 许可证开放模型、服务、查询、Web 与测试代码。它不只是一个概念或架构图，而是真正可运行、可查询、可接入 Agent 的公共资产。
- 发布与倡议： 2026 年 5 月正式开源，同时发起企业通用语义标准（USS）倡议，联合发布机构包括小鹏汽车、卓驭科技、畅捷通、嘉立创科技、神州商龙。
- 开放接口： 本地服务、umctl、MCP、OpenAPI、Web UI、SDK 与示例构成可复用入口，适配不同开发者的使用习惯。
统一的语义运行时对评测也很重要：可以固化对象关系、固化问题、固化查询时间与窗口、固化查询入口，这样不同 Agent 面对相同问题时，就能公平地比较分数------这也为后续的 Benchmark 固定了上下文边界。
Benchmark 建设：让能力经得起反复评测
第三道墙是------上下文准备好了，Agent 就一定能做对吗？不见得。Agent 在 Demo 场景下成功定位根因、偶尔在线上生产环境立功，都让人兴奋，但这不足以证明能力是稳定的、可靠的、可以让 SRE 信赖的。真实的系统状态随时在变，故障证据每次都不一样，模型、工具、Skill、提示词也在变。如果每次测试面对的条件都不同，就很难判断提升到底是不是真正的提升。
这本质上是一个系统化的实验设计与评估问题，是数据科学问题。我们要做的是降低它的门槛：把故障环境、故障任务和评分标准固化下来，让同一个问题可以被反复执行、被不同团队执行，从而在相同条件下得到相对公平的比较。BRiSE 就是负责这一部分的。
（一）行业需求决定 Benchmark 应该覆盖哪些真实任务
我们通过阿里云 STAROps 能触达到不同行业的用户，和他们的接触中去深入了解他们日常在做什么、问题背后需要什么样的评测。不同系统使用不同对象，但评测任务都需要说明对象、关系、时间范围、证据来源和交付结果：
一个共同的启示是：关键词查到了，不代表题就答对了。比如金融场景听起来只是查日志，实际上必须明确方向、源、目的、时间范围和字段含义，才能判断异常请求是否集中在某个服务或路径上。
（二）可以重复评测和优化的流水线
要验证这项工作，整个流程里有三个角色分工明确：
- Benchmark 应用： 复现真实对象与故障数据。它负责提供问题发生的环境------"Checkout Service 过去一段时间成功率下降，什么原因"这句话的背后，是一个非常复杂的仿真应用和大量故障注入。
- OpsAgent（被测 Agent）： 证据查询与根因推理。可以是 STAROps Agents、任意 Ops Agents，或通用 Agents，负责确认对象和时间范围、查询多源证据，我们记录它的排查过程和结论。
- BRiSE： 固定环境、数据和评分口径，统一评分。
把这三件事分开，就能分别检查：题目是否有效、有难度、有区分度；Agent 是怎么做的；结果怎么判断。固定数据集和执行环境，记录工具调用与证据，按统一规则评分------让每次诊断都能复现、复查并进入版本回归。
（三）面向真实生产环境的场景覆盖
我们评测到底评什么？我们看到目前的一些工作主要围绕故障定位------这是运维任务皇冠上的明珠。很多很棒的开源 Benchmark 也主要围绕 RCA，比如 OpenRCA 1.0/2.0、SREGym、AIOpsLab 等。但我们发现它们和日常运维工作还有点距离。把日常工作分成三种后可以看到，巡检和异常分析这类自动化任务其实占了大头，而现有 Benchmark 极少关注：
据此，BRiSE 按证据复杂度分层，构建了三类任务集，每道题都能在固定对象和时间范围内复跑：
- 数据查询（L2）： 1,360 道任务，每道题记录对象、时间范围、可用工具、预期结果和查询正确率。示例：查询指定应用过去 30 分钟的请求错误率；列出 CPU 最高的 5 台主机并返回聚合口径。
- 巡检与异常分析（L3）： 418 个任务，覆盖 11 类证据源、19 个技术域、1,576 项可观测证据信号，每个任务记录异常模式、证据匹配规则和评分方法。示例：识别 K8s Pod 重启、资源压力和副本异常；从日志聚类中找出新增或突增的异常模式。
- 故障诊断（L4）： 764 个 Case，覆盖 150+ 类故障、20+ 云产品，每个 Case 记录故障环境、Ground Truth、证据链和过程评分器。示例：判断流量突增如何影响下游调用与告警；区分代码延迟、依赖故障和发布变更。
每一级都记录对象、时间范围、可用工具、预期输出和评分规则，因此可以在不同模型、Harness 和查询工具之间复用。
（四）产业界、学术界与跨领域的评测实践
明确了用户需要什么，我们再退一步看产业界、学术界和其他 Agentic 领域是怎么做评测的：
- 产业界丨把评测接入研发流程： Datadog（Bits AI Eval）持续评测本平台的告警、拓扑、日志和调查能力，失败样本交给产品团队复测和修复；ServiceNow、Elastic、Dynatrace 连接离线题集、线上回放、人工复核和版本门禁。典型工程链是"数据集 → 评分器 → 版本回归"，每次版本变化都在固定题集上重跑并定位失败原因。
- 学术界丨从静态数据走向 Agent 过程： RCAEval、OpenRCA、OpenRCA 2.0 关注根因与证据；AIOpsLab、ITBench、CloudOpsBench 提供可执行环境；SREGym、OpsEval 3.0 强调实时与分层。任务从离线表格扩展到可运行的微服务或云环境，评分开始区分对象、影响边界、证据和调查过程。
- 跨领域 Agent丨开放执行与判定方法： SWE-bench 看测试是否通过，AgentBench 看多环境任务完成度，BFCL 看工具选择与调用结果，τ-bench 看状态变化和规则约束。它们都通过环境状态、测试结果或独立规则判断任务是否完成------这提示我们，判断任务是否完成，要独立于 Agent 自己说的话，看它背后的轨迹是否合理。
（五）RCA100/200 已发布，社区持续共建
针对故障诊断，我们也发布了 RCA 数据集，收到积极的社区反馈。RCA100/200 已经发布，访问来源覆盖 36 个国家或地区、92 个城市，约 2.1 千个不同访问。故障大类分布广泛------应用代码/运行时、微服务依赖/自建中间件、K8s/容器平台、主机/OS、云产品实例、网络、LLM/Agent、流量/安全等。
BRiSE 的开源建设由社区共同推进，四类参与者沿同一发布流程（提交资产 → 自动校验 → 基线评测 → 公开结果 → 纳入下一版本）协作：
- BRiSE / UModel： 提供规范、参考环境与初始 Case；
- 高校研究团队： 覆盖算法、模型、Harness 与消融实验；
- 外部团队： 提交基线并推动歧义 Case 收敛；
- 开源开发者： 贡献环境、故障、任务和评测。
对外，我们规划了四条 Track，分别承担不同工作：
其中故障处置这一 Track 尤其需要谨慎------从故障发现到处置再到闭环，比过去的能力更进一步，需要定义非常合理、严谨的评测规范，可靠地验证系统是否正常恢复，并确保在安全边界内恢复。云原生 Benchmark 工厂则依托阿里云牵头的国家重点研发计划项目，与中科院软件所、清华、复旦、南开等高校合作团队共建，面向软件开发、测试、运维全生命周期的自动 Benchmark 构造。
结语
今天我们讲了三部分：采集把运行事实可靠地带回来，UModel 围绕故障对象组织调查上下文，BRiSE 用可复现的 Benchmark 度量 Agent 能力。三者共同构成由社区持续建设的 AgenticOps 开源底座。
我们希望能把运行事实通过采集可靠地拉回来，再让 Agent 清楚地获取任务所需要的调查上下文，最后让 AgenticOps 的能力经得起反复的、重复的评测。
AgenticOps 能力要走向生产，需要的不只是更强的模型，而是这样一套持续建设的工程基础。