作者：邹星宇
客户背景：数字货运业务背后的稳定性需求
满帮是一家连接货主与司机的数字货运平台企业。对于满帮而言，货源、发货、订单等业务链路的稳定运行，是支撑平台服务的重要基础。一次下单或发货异常，背后可能涉及多个应用和中间件，需要及时判断业务影响、查明问题原因并开展处置。
随着业务发展和应用依赖日益复杂，满帮的 SRE 建设也在持续深入。在已有稳定性工具体系之上，如何让分散的业务知识、诊断经验和专业工具共同参与排查，降低跨平台信息整理与人工协同的成本，成为新的建设重点。
围绕这一需求，满帮基于阿里云 AgentCore 构建"稳定性数字人"： 满帮提供业务知识、专业工具与处置流程，AgentCore 提供智能体运行、协作和治理支撑。数字人已在核心链路的巡检与根因分析中得到应用，受控处置能力也在持续建设，让满帮积累的稳定性能力能够在具体任务中得到复用。
满帮专业稳定性能力与 AgentCore 通用底座的分工
SRE 挑战：跨工具协同与复杂业务链路诊断
经过持续建设，满帮已形成覆盖故障预防、发现、响应、恢复和复盘的稳定性产品矩阵，包括稳定性治理平台柳叶刀、Hubble，以及值班、巡检、演练等工具。这些专业系统提供了发现和处理问题的基础，跨工具的信息关联与分析协同则是进一步提升能力的方向。
在典型工作场景中，一名值班人员需要同时盯 5 个系统，一次应急需要打开 6 个平台。发现风险后，还要盘点问题、协调责任人、跟踪治理进度。工具各有所长，但一次排查所需的信息分布在不同系统中，仍需要人来整理和判断。满帮希望将这些环节衔接起来，让专业人员更专注于诊断复核与处置决策。
根因分析还面临业务理解的难点。发货、订单等链路长、依赖复杂，告警出现的位置未必就是问题源头。多个指标同时异常时，要从大量调用链中找到排查方向，需要知道应用和接口对应什么业务、依赖哪些服务，以及异常会影响哪些环节。将这些关系与诊断经验关联起来，才能让取证有明确的范围。
当智能体开始参与工作，生产环境的要求也随之进入设计：结论要有证据，工具调用要经过授权，操作过程要能追溯，并保留人工介入和回滚机制。连接工具、理解业务与约束执行，需要在同一套工作流程中考虑。
方案实践：以 AgentCore 连接工具、知识与诊断流程
建设之初，满帮先梳理巡检、值班、根因分析等场景，把自有专业能力与 AgentCore 提供的组件逐项对比、映射。团队据此确定分工，复用已有稳定性系统，把业务知识与诊断流程作为自身建设重点。
阿里云 AgentCore 是面向企业的智能体构建和治理平台，围绕构建与运行、协作与治理、观测与评估，为智能体应用提供统一支撑。 企业可以在统一控制台创建和管理 Agent，连接不同模型，通过 MCP 接入外部工具，通过 Skill 沉淀和复用专业能力，并利用 Agent 模板减少重复配置。
面向企业实际使用，AgentCore 还提供团队协作、角色权限和凭证管理能力，支持运行状态监控，并可通过账号集成将 Agent 接入钉钉、飞书等日常沟通渠道。这些能力让智能体不仅能够调用模型，还能够连接业务工具，在权限约束下参与工作流程。
对满帮而言，这样的分工意味着：既有稳定性系统、业务知识与诊断经验继续发挥作用，AgentCore 承接通用的运行与治理能力，团队则将建设重点放在巡检、根因分析和受控处置等专业场景上。
围绕跨工具协同，满帮通过 MCP 工具调用接入专业能力，以 Skill 复用标准操作步骤，再由不同专业智能体协同完成知识匹配、调用链取证与综合分析。AgentCore 的托管运行、隔离环境与弹性承载为任务提供支撑，使工具能够参与同一次排查，而不只是分别输出信息。
日常巡检每 10 分钟运行一次：未发现异常时，通过钉钉推送当前指标水位；发现异常后，推送风险卡、诊断结果和处置建议。系统结合 Hubble 调用链、代码扫描与规则引擎识别跨应用风险，定期巡检发现的风险进入柳叶刀平台，治理完成后再通过演练验证，衔接风险发现、治理与验收。
实时巡检与定期治理相结合的运营流程
围绕业务理解，AgentCore 提供记忆与知识库接入、上下文召回能力，满帮则负责建设业务知识：将应用、接口、中间件和基础设施档案，与稳定性规则、业务关系关联起来。团队持续抓取、清洗数据，并将数据粒度细化到接口级，使数字人能够先确定异常所属业务，再沿知识图谱收窄排查对象。业务团队维护自身数据，也为本业务的巡检和诊断提供依据。
在这一过程中，基础数据来自实际采集，取数与确定性指标判定由代码和规则执行；Agent 负责任务调度、基于证据的分析与总结。采集数据和判定过程可追溯、可抽检，便于值班人员复核模型分析所依据的事实。
基于业务知识与知识图谱，逐级收敛根因排查范围
围绕生产管控，AgentCore 通过内置 AI 网关、Agent 身份和策略管控，为访问与调用建立权限边界，并提供审计与过程追踪。满帮负责将审批、预案、执行记录和回滚机制纳入处置流程。平台管理工具访问，业务流程约束生产动作，诊断建议不直接等同于执行授权。
在此基础上，满帮正在推进根因分析与应用自保护双线协同：Agent 溯源定位并给出建议，应用侧 SDK 秒级监测相关指标，由决策中心按预设策略推进自保护。当前自恢复范围明确限定为流控、降级、扩容和隔离四类预设动作，在授权与预案约束下执行。预案经过演练验证后才进入执行库，执行过程保留记录与回滚约束。
实践成效：核心链路根因定位耗时中位数为 1 分钟
根据满帮提供的实践数据，根因分析已覆盖核心链路，定位耗时中位数为 1 分钟，根因分析准确率大于 90%。 在核心场景中，数字人已能先明确业务归属、收窄排查范围，再开展链路下钻与根因分析，相关能力仍在持续完善。
以"下单失败""发货失败"这类用户反馈为例，值班人员首先需要弄清反馈涉及哪个业务环节、哪些应用。数字人根据描述识别业务场景和业务域，映射到应用、接口，再沿相关调用链下钻取证，将调用关系、变更与指标等证据纳入分析。如果多条反馈集中出现，还会先归类并做共性分析，为区分客户端、服务端或其他问题提供线索。
取证之后，模型综合证据形成诊断结果。值班人员获得的是关联对象、诊断依据与建议动作，可以据此复核，再按授权流程推进处置。排查由具体业务问题逐步收敛到相关对象，不必一开始就遍查所有应用；分析结论也有证据可供核对和共享。这体现了数字人在排查中的作用：组织分散信息，为人工判断提供依据，并指明排查方向。
这一工作方式也延伸到日常使用。研发人员可以通过智能对话主动发起应用或中间件巡检，查看中间件查询、变更核查和应用诊断过程，按需配置定时任务。根因大屏集中呈现配置的重点进线、重点监控异常和巡检异常，以及关联拓扑与建议动作；任意对象的主动分析则通过对话入口发起。
通过智能对话发起巡检，并查看关联中间件、变更核查与应用诊断过程
自动巡检将风险信息推送到日常协作渠道，主动分析让研发人员能够按需排查，附带证据的结论便于团队复核。数字人的应用由此融入满帮已有的值班、诊断与治理流程，专业人员继续承担判断和处置责任。
未来方向：拓展诊断覆盖，推进受控自恢复
在核心场景应用的基础上，满帮将逐步扩大业务覆盖，进一步贯通端上、流量入口、网关和应用侧的知识图谱，补充接口功能、应用等级、业务影响和专家处置经验。在分析能力方面，团队将继续探索排查范围裁剪、异常打分和变更信息加权等方法，自恢复则通过扩充经过验证的预案，在明确授权范围内推进。
AgentCore 集成的 AgentLoop 观测评估能力，为追踪模型调用、工具使用和会话过程提供支持。满帮计划结合这一能力，将验证后的根因结论、复核结果和失败样本回流，沉淀为可复用的数据与 Skill 资产，针对实战中暴露的知识缺口和不准确判断调整流程，再通过评估和实验检验改进效果。
稳定性数字人的持续学习与能力演进规划
满帮希望，稳定性数字人未来能够逐步承担稳定性负责人级别的职责。实现这一目标，还需要持续完善相关能力，并在更多业务场景中加以验证。诊断能力的提升与执行范围的扩大也需要分别检验。
满帮的实践提供了一条从既有稳定性体系出发的建设路径：业务知识确定排查方向，实际观测支撑诊断，授权和预案约束处置。 满帮的专业积累与阿里云 AgentCore 的平台能力各有分工，在具体任务中协同发挥作用，让企业能够在已有工具和经验的基础上，逐步拓展智能体参与生产工作的范围。