可观测性的下一个分水岭：从“采更多数据”到“减少无效告警”

监控数据越来越多，故障恢复却没有同步变快。行业正在把 SLO、告警治理和受治理的 AIOps 放到同一条运营链路里。

可观测性与 AIOps 基础设施与云 7 分钟阅读 CSSTH 服务团队

可观测性平台通常从“接更多数据”开始：指标、日志、链路、事件，越多越安心。但很多团队随后发现，数据量上去了，告警更多了，故障恢复却没有明显变快。行业正在重新定义可观测性的价值。

共识一：告警噪音是当前最昂贵的隐性成本

近期多项行业调研指向同一个问题：工程师大量时间消耗在故障响应和告警噪音上。F5 的应用策略报告显示，告警、SLO 报告、根因分析和运维自动化的使用比例都在快速上升；New Relic 的调查则指出，AI 辅助可以显著减少噪音、提升关联能力并缩短平均恢复时间。

问题不在于工具不够多，而在于信号没有被打磨。重复告警、缺少上下文、阈值拍脑袋、告警与业务影响脱节，都会让值班人员逐渐“麻木”。行业共识是先做告警治理，再谈更高级的智能分析。

共识二：SLO 成为业务、运维和平台的共同语言

SLO 不再只是 SRE 团队的内部指标。越来越多组织把 SLO 用于服务目录、变更评审、供应商管理和容量规划。Dynatrace 的 SRE 调研显示，绝大多数组织已经使用 SLO，但最大挑战不是定义，而是数据源和指标过多。

一个可落地的 SLO 应该从用户体验出发：哪些请求最重要、可接受的中断是多少、错误预算怎么用、谁对结果负责。没有业务参与的 SLO，很容易变成一组好看的技术数字。

共识三：AIOps 从“信号处理”走向“受治理的决策”

AIOps 的早期价值主要是告警压缩和关联。行业正在把它推进到根因分析、修复建议和自动化执行，但治理要求同步提高：决策依据是否可解释、操作是否可审计、失败时能否回滚、人工复核边界在哪里。

IDC 等机构对可观测性与 AIOps 平台的评估也强调“结果导向”和“可问责的自动化”。这意味着 AIOps 的选型不能只看模型能力，还要看数据质量、策略配置、权限控制和运营流程。

对运维与建设团队的启示

先统计告警来源和重复率，合并低价值告警，再引入智能分析。
为核心业务定义少量、可解释的 SLO，并配套错误预算和升级机制。
把日志、指标、链路和变更记录关联起来，避免“只看一个维度”。
为 AIOps 的自动动作设置权限、审批、审计和回滚边界。

参考来源

相关能力