今天，当你把告警直接丢给通用智能体，它列得出十种可能，却不知道你的系统此刻正在发生什么，更不知道你的团队过去是怎么解决这类问题的。

精准的故障排查，靠的不仅是更聪明的模型，而是三样东西同时在线：实时上下文、历史经验、以及沉淀打磨过的排查方法。

前两样，观测云用统一数据底座 GuanceDB 3.1、统一目录和笔记知识库解决。而第三样方法，就是今天要聊的 Runbook。

Runbook：应对故障，观测 AI 智能体的标准化执行手册

在观测云，Runbook 不再是一份落灰的文档，而是观测 AI 智能体团队应对故障的的标准化执行手册：它可以来源于人类专家经验总结、也可以来源于观测 AI 智能体团队历史任务的处理过程，最终沉淀为观测 AI Agent 团队可以持续复用的，针对某类问题的解决方案。

它解决了故障排障里的三个问题：

• 每次排查路径都不一样——这次先看日志，下次先看指标；

• 步骤遗漏——忘了核对某个信号，根因方向会直接跑偏；

• 经验无法复用——同一个故障，三个月后换个人重新排查一遍。

有了 Runbook，观测 AI 智能体面对的不再是“请你分析一下这个故障”这种开放题，而是一道有标准解法的应用题：先巡检核心指标 → 再按错误率/延迟/Apdex 分诊 → 沿 Trace 下钻 → 关联变更事件 → 输出结论并验证。每一步该查什么、用什么工具查、查到什么算异常、异常后往哪走，全部固化在流程里。

Runbook 从哪来？三条生成路径，覆盖 Copilot 与 Agent Teams

观测云同时支持 Obsy AI Copilot 和 Guance AI Agent Teams 两种形态生成 Runbook，让经验沉淀发生在工作的每一个现场。

路径一：Copilot 在现场一键生成

当你正在看一个仪表板、一条告警或一组 Trace 时，Copilot 带着当前页面的完整上下文——图表组、筛选条件、时间范围、数据源，完成分析后，可以直接「生成 Runbook」。

以一个典型的「应用性能监控」仪表板为例，Copilot 分析完全部图表组后，生成的 APM 排障 Runbook 会自动包含：Runbook 目标与术语、仪表板结构速览、日常巡检流程（含健康判定标准）、告警响应流程（错误率告警 + 延迟告警）、慢调用排查流程（含 Trace 分析示例）、错误率异常排查流程、Apdex 下降排查流程、常见问题及处置、附录（图表索引、命令参考、联系方式）。生成即可下载、编辑、沉淀进知识库。

路径二：Agent Teams 在任务完成后自动沉淀

观测 AI 智能体执行任务时，会记录完整的分析路径和操作步骤。任务完成后，AI 将这次“成功排障的过程”自动转化为对应 Runbook 或复盘内容——也就是说，每一次真实故障的处理，都在为团队生产下一次复用的标准流程。任务解决，经验入库。

路径三：自然语言描述直接生成

“我们排查 Redis 慢查询，一般是先看 slowlog，再看内存碎片率，然后核对最近的 Lua 脚本变更……”，让技术专家直接把他的排障经验这段话告诉观测云 AI，它会结构化为一份可执行的 Runbook，供观测云 AI 智能体直接引用。

观测 AI 智能体如何使用 Runbook ？拆解任务、分布执行、完整验证

观测 AI 智能体接到任务后，会按照 Runbook 将目标拆解为有序步骤逐步执行，并结合观测 AI 智能体团队的协作能力，完成跨工具、跨系统的复杂动作——查指标、翻日志、钻 Trace、核对变更、评估影响。每一步执行都有明确的状态和验证标准，关键写操作进入人工审批，执行结果回到生产信号中二次确认。

• 对人来说，Runbook 意味着不用每次都重新交代背景；

• 对 Agent 来说，Runbook 意味着每次都用团队验证过的最佳路径解题。执行遗漏和偏差，被流程本身消灭。

而且它是一个飞轮：每次执行的过程和结论会回写，Runbook 在复用中持续修订——团队用得越多，它越贴近你的系统真实样貌。

一些 Benchmark

我们在内部基准环境中，基于 218 个真实历史故障工单回放（覆盖慢调用、错误率突增、资源水位、数据库、缓存、网络六类高频场景），对三种排查方式做了对照测试：

在试点客户生产环境（某零售平台，为期 8 周）的实测中，观测 Agent Teams + Runbook 体系带来的变化同样直接：

• MTTR 平均下降 57%，其中“定位”环节的耗时占比从约 70% 压缩到 30% 以内；

• 夜间告警自助闭环率提升至 68%，三分之二的三更半夜，值班同学看完结论确认即可，不再需要电话叫醒专家；

• 高频 Top 50 故障场景中，92% 已被 Runbook 覆盖，且覆盖率随每次任务自动增长。

这套体系里，通用AI Agent与 Agent Teams + Runbook 之间 30 个百分点的准确率差距，几乎不来自模型能力本身，而来自上下文、记忆与方法的差距。这正是观测云 AI 智能体团队的天然优势——完整数据，语义和经验沉淀。

让经验成为组织的资产

过去，一家公司的故障排查能力，往往过度依赖核心工程师的个人能力。他们如果没有及时响应，系统的可靠性就打了折扣。

Runbook 和知识库把经验沉淀为组织的资产：

• 经验不再随人流动。 每一次排障过程被自动沉淀为 Runbook 与复盘，留在工作空间里，而不是某个人的浏览器收藏夹和聊天记录。

• 新人第一天，观测云工作空间里已经有了“老师傅”。 借助 观测 AI 智能体和 Runbook，入职一周的值班同学也能跑出接近专家水准的排查路径。试点客户中，新人独立完成首次生产排障的上手时间，从平均 4~6 周缩短到约 0.5 周。

• 专家的时间被还给专家。 当重复性排障被标准流程接管，资深工程师终于可以把精力投向架构优化、容量规划和与观测 AI 智能体一起，通过 Runbook 之外的泛化能力，解决那些真正没有被遇到过的新问题。

结尾

故障排查这件事，比拼的是每一次都以同样的水准、同样短的时间收敛问题。

现在，立刻在观测云免费开通 Obsy AI 智能服务，体验 Obsy AI Copilot 和 AI Agent Teams 强大的故障排查能力；开通观测 Agent Teams，让 观测 AI 智能体团队 7×24 安全的在你生产环境里跑起来，