打造自适应 AI 运维智慧体： 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ，硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 文本机器翻译实验室工程 师 演讲嘉 宾 1. 软件日志运维观点 2. 自适应智慧体在运维领域面临的 Gap 3. 大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 5. 未来畅想 目录 CONTENTS PART 01 软件日志运维观点： 智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 (3) 自动日志分析是机器语言的自动翻译过程：

项目编号： 铁路沿线实景三维 AI 大模型 应 用 方 案 目 录 1. 项目背景与目标............................................................................................6 1.1 铁路运输的重要性...................................... ..7 1.2 现有铁路管理模式的不足.....................................................................9 1.3 实景三维 AI 大模型的优势..................................................................11 1.4 项目目标与愿景......... ........................................................................................14 2.1 实景三维建模技术..............................................................................16 2.1.1 数据采集方法..

· · · · · · · · · 27 2.1.1 保险业面临前所未有的挑战· · · · · · · · · · · · · · · · · · · · · 27 2.1.2 数智化转型是解决之道及不二选择· · · · · · · · · · · · · · · · 28 2.2 国内外相关政策分析· · · · · · · · · · · · · · · · · · · · · · · · · · · · 102 车险出单“星驰”系统· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 107 企微运维机器人· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 108 华农保险大模型微调效果· · · · · 正在逐渐崭露头角。具身智能是指 能理解、推理并与物理世界互动的智能系统，其实现离不开大模型的赋能。 （1）技术突破 大模型的出现，使得具身智能在感知、理解和规划任务上的泛化能力得到了显著提 升。机器人接入大模型后，能够直接听懂人类指令，结合环境信息，将复杂的指令转化成具 体行动规划，无需额外数据和训练。这种能力极大地降低了机器人的使用门槛，推进了机 器人落地各行业场景应用。 （2）产业应用

行市场份额。 客户对数字化服务的需求日益增长，期望获得更便捷、高效、个性化的金融服务体验，推 动银行必须转型以满足市场需求。 1 2 3 大模型技术为金融业带来前 所未有的变革机遇，通过提 升数据处理能力、优化决策 流程和创新服务模式，助力 银行实现数字化转型。 大模型能够快速分析海量数据，识别潜在风险，提升 银行风险管理的精准性和效率。 辅助风险管理 通过大模型技术，银行可以更高效地评估客户信用状况， 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 预测性分析，识别未来业务趋势和风险， 支持前瞻性决策。 大模型通过深度学习和强化学习技术， 提供智能决策支持，优化决策流程，提 升决策质量和效率。 动态建模与实时决策支持能力构建 实时数据集成 动态模型调整 预测性分析 智能决策支持 04 技术架构设计与模型融合 方案 分布式计算与云原生架构支撑体系 弹性扩展能力 Kubernetes ）实现应 用的快速部署和高效管理， 缩短开发周期，提高资源 利用率，并支持跨平台迁 移。 自动化运维 结合 DevOps 理念，实现 持续集成与持续交付 （ CI/CD ），通过自动化 工具监控系统运行状态， 及时发现并解决问题，提 升运维效率。 大模型与现有系统的无缝集成策略 数据接口标准化 01 通过定义统一的数据接口和协议，确保大模型与现有系统 之

Copilot 组平均用时（分钟） 生产力提 升 60% 50% 40% 30% 20% 10% 0% Beginner Intermediate Advanced 图表：澳新银行 AI 编程对生产力的提 升 图表： AI 编程为软件开发带来的影 响 45 40 35 选择。 n 目前多家银行 IT 厂商已推出相关解决方案： - 宇信科技：智能营销、信创、监管和 AI 一体机等 - 京北方： AI 软硬一体化解决方案，涵盖 AI 风控、 AI 运维、 AI 投顾、 AI 测试等 - 天阳科技：金融信贷助手一体机 图表：京北方 AI 软硬一体化解决方案 图表：天阳科技

程、进行知识回溯、引导学生个性化思考，从而辅助教师及家长教育，削减此 前AI+教育直接输出问题答案可能带来的负面影响。 l 逻辑推理能力：DeepSeek在各种类型的推理任务中，模型性能取得全面提 升，能够对以数学、物理为代表的理科科目学习提供更强赋能。 l 多模态能力：据公布，多模态训练后DeepSeek大模型在科学任务、复杂推 理、数学代码等方面的表现均有提升。在学习过程中，DeepSeek的多模态能 势，实现精准分析/定位/回溯知识点、强化逻辑推理并显化思维路径、理解并输出 多模型内容，从而形成启发式引导思考的能力。 2、布局硬件+软件，以DeepSeek深度思考模式弥补传统教育硬件“重答案轻思 维”的短板，并开发新AI学习应用，集成自研讲解视频与高频AI学习工具，放大自 身专业内容积累和大模型技术优势。此外，学而思表示还在探索DeepSeek在公司 内部业务场景的应用，如推动客服家教沟通、视频脚本制作等场景的降本提效。 型 “子曰”结合的混合架构，以提升复杂场景的AI教育能力精准度，并打造了基于 DeepSeek的多模态应用。 2、全线产品线接入：软件端，网易有道AI学习类App接入DeepSeek，以其深度思 维优势提升AI教育能力和个性化交互学习体验；此外，网易有道基于子曰教育大模 型自研的RAG引擎“QAnything”、AI开放平台有道智云也全面接入DeepSeek的 推理能力进行升级。 3、AI教育

通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 自 动 化 报 告 编 制 实现巡检报告 、能耗 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 迭代 需求分析 运维算法设计 Al 模型开发 测试 升级 口碎片化 口长链条 口长周期 口难维护 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 件 现 场 群 控 平 台 简 介 65/80 中心 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体会 66/80 口需要深度工匠精神，要有迭代思维，年复一年升级迭代，人才是关键 口群 控软件和仿真软件开发难度、周期和代价非常高 配 置栏 系统流程图 菜单栏 工具栏 开发工具栏子栏 EnergyX

效率、敏捷性和可持续性，这对于适应动态环境中 的突发变化至关重要。 这种方法既能充分发挥AI驱动系统的强大 能力，又能保留人工监督，以进行战略决策与必要 干预。 例如，企业可以首先从财务成果入手，进而提 升运营速度、敏捷性，并优化成本。我们的受访者 预计，此举可将息税及摊销前利润提升5%、已动 用资本回报率提升7%。除财务指标外，他们还预 期在运营效率和生产力上取得显著收益。他们相 信，自主化系统不仅能够将订单交付周期缩短27%、 AI助手支持人工进行行动规划 与生成。 • • 图2 自主化征程：一场贯穿四大成熟度阶段的真正转型 成熟度 等级定义 自主化指数 实现自主智能供应链 真正意义上的自主智能供应链包含两大维 度（见图2）：任务自动化与决策自主化。在任务 自动化层面，机器将取代人工执行具体任务。例 如，订单处理自动化可以让机器完成验证订单、 检查库存、创建货运标签以及处理异常情况等 工作，从而将人力解放出来，专注于更具战略性 最新创新成果⸺这类工厂运用机器人技术与 先进的增材制造技术，快速生产定制化产品。紧 随其后的将是“质量与生产控制”和“客户与现 场支持”等集群，在这些领域，物流企业正部署 自主无人机和数字助理，以加快响应速度并提 升服务质量。 总的来说，大多数受访企业计划在其供 应链中稳步实施转型，伴随新技术的涌现与 成熟，逐步实现更高水平的任务自动化与决 策自主化。 实现自主智能供应链 15 图6 最先进的工业多集中在离散制造领域

2,000 1,800 1,600 1,400 1,200 1,000 800 600 400 200 0 • AI, NLP 等技术加速创新 • 以 GPU 为代表的算力提 升 基础设施 不断完善 自然交互 广泛应用 底层技术 不断成熟 • LBS 、移动支付全面普 及 • 服务从线下到线上 • IM 主导移动互联网 • 智能设备数量不断增 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合 l 词向量和句向量相结合 l

有效提高续 费率。 3. 价格竞争策略：一些企业通过降低价格来吸引更多用户，尤其 是在市场初期或新进入者阶段。这种方式可以快速获得市场份 额，但长远来看可能会影响公司的盈利能力。因此，需要在维 持服务质量的同时，合理制定价格策略，以保障可持续发展。 4. 合作与生态构建策略：越来越多的竞争者意识到单打独斗的局 限性，通过构建合作伙伴生态系统，整合上下游资源。此类公 司通常与大型科技企业、行业龙头和其他 数据状态一致。  Axios：用于处理与后端 API 的 HTTP 请求，保障数据的实时 更新。  Ant Design 或 Element UI：为平台提供丰富的 UI 组件，提 升开发效率和界面一致性。 界面布局设计应遵循响应式设计原则，确保平台能够兼容各种 设备，包括桌面、平板和手机。通过 Flexbox 和 Grid 布局模型， 实现用户界面的灵活排版，使得在不同屏幕尺寸下都能保持良好的 的 交互方式。例如，对于开发者和数据科学家而言，他们可能更习惯 于使用代码和命令行。因此，在平台中应提供清晰的 API 文档和简 明的命令行操作指南，同时提供支持代码提示和自动补全功能，提 升开发效率。 在设计交互流程时，应引入用户旅程图，识别用户在不同场景 下的交互需求。考虑到用户的多样性，我们可以根据用户的不同角 色（如数据输入、模型训练、模型部署等）设计不同的交互界面。 通过