半夜兩點告警響了

你睡眼惺忪打開電腦，Grafana 一個視窗、Loki 一個視窗、K8s 事件一個視窗

最近誰動了部署又是另一個地方，你開始把這些線索一片一片拼起來試圖釐清到底哪裡出了問題?

每個維運過的人都經歷過這一幕

我們有了完整的可觀測性卻還是要靠工程師的腦袋把分散的訊號串成一個故事

資料齊全不代表答案就在眼前

我將分享 AI 事故調查系統的過程，目標很單純 當告警觸發的那一刻由 AI 接手「拼線索」這件苦差事

自動把分散在各處的現場證據收攏起來 給出一份有根據、可追溯、能直接拿來決策的調查報告

我們不談「AI 取代工程師」

我想說的是另一件事「當 AI 把調查的苦工接走 工程師才能真正專注在需要判斷力的決策上」

聽眾收穫：

• 重新認識「可觀測性」的邊界：有 metrics、logs、traces 不等於有診斷能力，理解這個落差是什麼以及 AI 如何填補它
• 一個你可以帶走的架構思路：多訊號收集→確定性規則先行→ AI 深度分析→結構化輸出，適用在任何有 Alertmanager 的環境
• 為什麼不能直接把告警丟給 AI：從實際踩坑角度說明為什麼中間需要一層規則引擎，少了這層會發生什麼事
• 讓 AI 回答變得可靠的關鍵觀念：結構化輸出是讓 AI 系統可被程式化處理、可被驗證的必要條件
• 事故記憶可以成為組織資產：向量搜尋讓「這次跟三個月前那次很像」從工程師直覺變成系統自動提示的能力