这个项目源于团队内部的真实痛点：传统 OnCall 依赖人工值守和问题排查，响应慢，也占用大量研发精力。上游同事天天反复问同一个报错怎么解决，明明文档里已有方案，还是要重复回答。这些杂事耗费了很多时间，于是我开始思考，怎样主动突破现状，做些更有价值的工作。
这两年 AI 很火，我也开始考虑：能否用 AI 打造一个智能化的 CloudOps 助手，让它自动回答常见问题，并在故障发生时主动进行初步排查？我先基于 Eino 框架设计并搭建 RAG 知识库，让 AI 能根据内部文档回答问题，再实现几类 Agent，包括用于对话的对话 Agent 和用于运维排障的运维 Agent。
最终，系统上线后，很多重复性的咨询和告警都能由Agent⾃动处理并给出解决方案，显著减轻了值班的负担。
内容介绍
项目里一共实现了3个Agent，分别是知识库Agent、对话Agent和运维Agent。
知识库Agent的核心目标是作为团队文档管理和AI应用的基础设施，通过自动化流程，将我们日常积累的文档(告警处理手册、技术方案、错误码文档)，转化为可被AI高效检索的向量，为后续的RAG提供了高质量的向量数据支撑。举个最常见的例子，当我们想根据一个模糊的回忆找文档的时候，可以根据模糊的提问快速检索到对应文档，不必再在层层嵌套的目录里逐个查找。
对话Agent本质上是一个基于大模型+知识库构造的智能交互系统。你可以把它看作是一个能够像真人一样理解问题、调用知识库检索并给出精准回答的小助手。它最重要的使命就是帮助团队挡掉高频的重复咨询，加速问题解决，从而提高整体的工作效率。
运维 Agent 是为了解决值班排查问题的痛点而做的。我们团队维护了多个服务，这些告警从服务错误、性能波动，到中间件异常、下游依赖故障，告警太多了。传统的处理方式往往依赖于人工排查：看告警、查日志、查监控，最终才能判断问题的根源。整个过程重复、耗时，特别是在晚上或节假日，响应效率和准确性更是难以保障，值班的时候告警一多就很痛苦。运维 Agent 可以通过调用各平台的 API，实现跨系统联动，一站式完成排查。例如，它可以自动从告警中提取接口名和时间范围，查询日志、查询监控、查询告警处理手册，将所有信息汇总成一份结构化的故障排查报告。
要点介绍
项目核心亮点可概括为3点：
-
知识库系统：核心就是RAG，只要文档上传到知识库了，就能进行知识检索。
-
对话Agent：用ReAct解决交互类问题，彻底从人工客服解放。问题匹配+知识检索无缝对接所有涉及到文档的场景。
- 运维Agent：用Plan-Execute-Replan解决流程化任务，打通日志、监控、告警群、知识库。
价值兜售
- 业务价值：对话Agent承接 80% 重复咨询，释放中台人力聚焦核心开发； 运维Agent让故障响应时间从30分钟缩短至10秒，跨系统联动日志和监控，提升效率
- 技术价值：掌握RAG，ReAct，Plan-Execute-Replan，SSE，多轮对话，AI实践经验 等前沿技术，为团队后续AI项目提供参考
- 团队价值：标准化运维与咨询流程，降本增效
面试节奏
我实习的时候，被重复问题烦到想骂人。之前上游同事天天问同一个问题报错怎么解决，明明文档里写了解决方案还反复问。做Agent项目前，我就天天面对这些事，像全职客服，把时间耗在重复回答上，非常的打杂，所以我就思考怎么样能主动去突破，做一些高价值工作。
不是说值班就不是高价值工作，确实能很快的根据问题来熟悉组里面的服务。但是遇到重复问题，重复回答还是很难受。所以我想了很久，最后决定用Agent来自动化这些重复工作。但不是随便做一个啊，而是针对不同场景设计了不同的模式。比如对话场景用ReAct模式，运维场景用Plan-Execute-Replan模式。
先说说对话场景的ReAct模式吧。最早做的就是很简单的对话+RAG，但是这种模式只能处理简单的单轮问题，比如直接问这个报错怎么处理。但遇到复杂问题就回答不知道了，用ReAct模式的话，Agent会先拆解步骤，然后一步步调用工具查，最后整合结果给答案。比如我想让AI帮我查一下这个 req id 的所有error日志，没有用ReAct之前肯定是调用不了工具的，但是用了之后，大模型就可以使用查日志的功能，日常使用起来就很方便。
…
…
运维场景的Plan-Execute-Replan模式核心就是自动规划步骤，然后按照步骤执行，遇到异常情况可以重新规划步骤。比如接口失败就查日志、看监控、问下游，但遇到日志没异常的情况就停滞了。比如CPU使用率突增的告警，按固定步骤查日志没结果，Agent就不知道怎么办了。但用这个模式的话，Agent会根据结果动态调整计划，比如日志没异常就先查高耗CPU进程，找到问题后再继续分析根因。这样即使遇到预设步骤外的情况，Agent也能自主排查。
我把问题匹配和知识检索的核心逻辑抽象成对话Agent，一次开发就能对接多个场景，比如给业务方用自动答文档问题，给研发用告警自动出方案，给运维用历史工单RAG分析。效率提升非常多，以前人工排查故障要5到10分钟，现在Agent1分钟内就能完成日志检索、错误分类和根因推测。
知识沉淀也是一个重要的点，我后面打算接入群聊，把工单问题和解决方案的聊天记录，自动总结沉淀为知识库里的文档，下次遇到了相同的问题问一遍AI，快速解决。
总结
其实做Agent项目的面试亮点，核心就是把这些真实的痛点讲清楚，再把技术怎么解决这些痛点的过程说透。你不用刻意堆术语，只要让面试官感受到这个项目确实帮团队解决了大问题，而且你对技术选型有自己的思考就行。
比如你可以说针对 对话和运维场景分别使用了ReAct和Plan-Execute-Replan模式，因为不同场景的需求不一样。