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 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 预训练语言模型 日志语言理解 BigLog Da-Parser 第四代 原始日志和自然语言 文本 大语言模型 可解释性运维 LogPrompt 指令驱动 第五代 自适应运维智慧体：目标自适应、领域自适应、强交互性、可执行性。 。 。 表： LogAIBox 研究项⽬代际演进思路 [1]LogAnomaly: Unsupervised detection of sequential

维护性。 o 集成性：能够与现有的公共安全系统（如警务平台、应 急管理平台等）实现数据交互和集成，提高事件处理的 效率。 o 支持多种 AI 模型：系统应支持多种 AI 模型，同时具备 自适应学习能力，能够根据反馈不断优化模型，提高事 件检测能力。 通过以上系统需求的全面分析，我们可以为公共安全领域构建 一个切实可行、功能强大的 AI 智能视频挖掘系统，为有效应对各 种公共安全事件提供有力支持。 设备应在不同光照 和气候条件下表现出色，具备以下基本性能：  分辨率：至少 1080P（1920x1080）。  帧率：至少 30 帧/秒，针对动态场景应考虑 60 帧/秒的设备。  适应性：能够在低光环境和强光环境下正常工作，具备夜视和 HDR 功能。  存储方式：支持实时存储和云存储，便于远程访问和数据备 份。 其次，视频数据采集系统应具备区域和角度的灵活性，以便满 头视角 系统在进行实时分析时，应结合 AI 大模型，实施深度学习算 法以提升对复杂场景的识别能力。特别是，通过训练模型识别不同 光照条件、天气变化等外部环境对视频图像的影响，从而增强系统 的适应能力。 此外，实时处理能力还需与大数据基础设施紧密集成，保证数 据分析不依赖于离线存储。系统应采用边缘计算的架构，将数据处 理和分析任务分配到接近数据源的边缘节点，这样可以降低传输延 迟，提高处理速度。

能够逐渐提升自 身的生成能力和准确性。例如，在医疗场景中，模型可以分析大量 的病例数据，学习如何识别疾病特征，进而生成相应的医疗建议或 治疗方案。 其次，AI 生成式大模型具备高度的灵活性和适应性。无论是在 文本生成、图像生成还是在语音合成等方面，这些模型都能够在不 同的应用场景中进行调整，以满足特定需求。在医疗应用中，医生 可以通过模型生成个性化的治疗方案，结合患者的具体情况与历史 进行分类或回归预测。其工作原理通常基于概率分布的学习，通过 对大量样本的分析，生成符合该样本分布的新样本。常见的生成式 模型包括生成对抗网络（GAN）、变分自编码器（VAE）等。每种 模型都有其特定的结构和生成方式，适应不同的应用场景。 在具体应用中，生成式模型具有以下几个特点： 1. 高维数据处理：能够处理高维数据，如医学影像等，生成具有 实际临床价值的新图像。 2. 数据增强能力：通过生成样本，解决数据不足的问题，尤其在 床 医生提供科学的决策依据。例如，预测患者住院的可能性、疾病进 展的风险等，为医疗资源的合理配置提供支持。 此外，大模型的可扩展性和适应性使其在快速变化的医疗环境 中保持竞争力。随着医疗技术的进步和数据量的爆炸性增长，大模 型能够持续进行再训练，以适应新的数据模式和临床指导方针。这 一特性保证了模型在实际应用中能保持高效性与准确性。 以下是大模型在医疗场景中的具体优势总结：  高

为进行实时 的开放词汇的视觉检索提供了可能. 这一系列的进 展不仅展示了基础模型的强大潜力, 也为其与具身 智能的融合提供了新的视角和可能性. 文献 [19] 将 上述在大规模数据集上进行训练并能适应广泛任务 的模型统称为基础模型, 意即可作为大量下游任务 训练基础的模型 (目前一般认为基础模型即大模型, 后文将不对二者作区分). 由于涉及到物理环境, 机 器人深度学习模型往往面临数据获取难度大、训练 为系统提供强大的感知、理解、 决策和行动的能力. 此外, 基础模型的零样本能力 使得系统无需调整即能适应各种未见过的任务, 基 础模型训练数据的丰富模态也可以满足具身智能对 各类传感器信息的处理需求. 无论是视觉信息、听 觉信息, 还是其他类型的感知数据, 基础模型都能 够为具身智能提供全面和准确的理解. 在实际应用 中, 这意味着具身智能能够更好地适应环境变化, 理解各种操作对象, 解决各种复杂问题. 大模型的强大理解能力也能为具身智能带来与 能更有效且准确地理解用 户需求, 而大模型的长对话能力也使其具有处理复 杂任务的能力, 并规划长期目标. 这些特点都使得 具身智能有别于传统的仅面向单一任务, 或同质任 务的传统机器人, 使其具有更强的自主性与适应性. 人形机器人的突出优势就是其通用性, 而大模型带 来的认知能力则是形成通用性的关键[20]. 近期, 各 大机器人企业制造的人形机器人, 如宇树机器人 Unitr- ee H1、特斯拉机器人 Optimus

求。这种灵活调度的方式可以有效减少乘客的等待时间，提高乘客 的出行满意度。 同时，为了进一步提升预测的准确性，持续对模型进行更新和 优化也是至关重要的。可以通过实时监测客流情况，修正模型参 数，使得模型能够适应日常变化和突发情况。 通过集成 AI 大模型的预测结果到城市轨道交通的调度系统 中，不仅能够提升客流预测的准确性，还能够实现车次安排的灵活 调整，从而增强整体交通运输体系的韧性和效率。这一方案能够帮 缩短响应时间，改善服务质量 通过以上各项应用，城市轨道交通行业可以在提升客户服务的 同时，优化运营管理，实现可持续发展。在实际应用过程中，通过 持续的数据训练和反馈迭代，AI 大模型能够不断进化，适应用户需 求的变化，从而为乘客提供越来越优质的服务体验。 2.3.1 虚拟客服助手 在城市轨道交通行业中，客户服务智能化是提升用户体验和运 营效率的重要举措。而虚拟客服助手作为人工智能技术在客户服务 在城市轨道交通行业中，人工智能大模型的开发与应用离不开 海量的高质量数据支持。数据来源的合理分析与获取是构建有效 AI 大模型的首要条件。有效的数据来源不仅能提升模型的准确性和效 率，还能增强模型对复杂场景的适应能力。以下是对城市轨道交通 行业 AI 大模型的数据需求与获取中数据来源的系统分析。 首先，数据来源可以从以下几个方面进行分类： 1. 运营数据：包括车辆运行数据、站点客流数据、调度信息等。

力的重要组成部分，加强应急管理体系和能力建设， 对于防范化解重大安全风险、及时应对处置各类灾 害事故，保护人民群众生命财产安全和维护社会稳 定具有重要意义。智慧应急是应急管理信息化建设 的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， COMMAND AND CONTROL 第11卷 第2期 2025年4月 Vol. 11，No. 2 April，2025 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 辅助决策功能的客观局限。 2.3 环境适应性挑战 应急管理实践需要应对自然环境、政治经济环 境、社会文化环境以及技术环境等多个方面带来的 对公共安全的威胁和挑战。当前系统缺乏适应外部 环境变化的能力，特别是在监测预警和救援处置应 用中，当面临新的、未知风险时，当处于复杂多变的 灾害（难）情境时，现有的业务系统往往表现不佳，

大模型通过自然语言处理和机器学 习技术，自动解析业务需求，生成 业务模型，减少人工干预，提升建 模效率。 大模型能够根据不同业务场景，动 态调整业务模型，支持个性化业务 需求，提升业务灵活性和适应性。 大模型能够基于历史数据和实时数 据，自动优化业务模型，识别潜在 的业务瓶颈和优化点，提升业务运 营效率。 大模型通过构建业务知识图谱，将 业务实体、关系和规则进行结构化 表示，支持业务模型的深度分析和 监测异常交易行为，如高频交易、 异地登录等，结合历史欺诈案例进 行模式识别，及时发出预警并采取 干预措施，有效降低欺诈风险。 自适应模型优化 大模型具备自我学习和优化的能力， 能够根据不断变化的欺诈手段和风 险特征，动态调整风控策略和模型 参数，确保系统始终处于最优状态， 适应复杂的金融环境。 客户行为深度分析 大模型能够基于客户的实时行为和市场变化， 预测其未来的财务需求和投资倾向，为财富管 泛金融知识的语料库，确保 模型具备丰富的金融领域知 识。 01 金融领域预训练语料库构建方法 迁移学习框架 利用迁移学习技术，将通用大模型在 金融领域语料库上进行微调，使其能 够更好地适应银行特有的业务场景和 需求，提升模型在特定任务中的表现。 对抗训练优化 引入对抗训练方法，通过生成对抗样 本优化模型的鲁棒性，使其在面对金 融数据中的噪声和异常时仍能保持稳 定的性能，提升模型的泛化能力。

AI）这类新兴系统而言，这一点尤为 关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 自主智能供应链正是价值创造的新高地。近三分 休 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点 （即“人机协同”）来实现自主运营，能够显著提升 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 这需要他们掌握全新技能。他们将处于决策环路 之中，负责设计系统、检查、测试、调整和规划，而 不仅仅是完成机器推荐的任务。 这种转变将从根本上改变工作方式。随着企 业快速引入新技术并重新设计流程，他们也必须 为适应数据驱动、技术密集型的工作场所而重塑 其人才与组织模式。 实现自主智能供应链 23 关键建议 构建自主智�供应链始于标准化的数据平 台、流程和治理框架。数据本体或结构化模型有 助于确保每个人（以及每个系统）都以相同的方式

- 关系抽取准确率达到 90% 以上 - 知识 图谱覆盖率达到 80%以上 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： - 模型参数量控制在 100 亿以内 - 训练时间不超过 提供标注示例和规范文档 为标注员提供详细的标注示例和规范文档，帮助其快速理解和 掌握标注规则。示例应覆盖常见的标注场景和特殊案例，确保 标注员能够应对各种复杂情况。同时，规范文档应定期更新， 以适应业务需求的调整。 5. 建立标注反馈和改进机制 在标注过程中，标注员可能会遇到规则未涵盖的情况。为此， 需要建立反馈机制，及时收集和解决标注中的问题。同时，定 期对标注标准进行审查和优化，确保其始终符合业务需求和技 标准，为高质量的知识库数据标注奠定基础。 2.3.2 标注工具选择 在知识库数据处理中，标注工具的选择至关重要，直接影响数 据标注的效率、准确性和一致性。首先，标注工具应支持多种数据 类型（如文本、图像、音频、视频等），以适应不同场景下的标注 需求。对于文本数据，工具应具备实体识别、关系抽取、情感分析 等功能；对于图像数据，工具应支持对象检测、图像分类、语义分 割等任务；对于音频和视频数据，工具应提供语音转文字、音视频

输对环境的影响，推动铁路的可持续发展。 5. 实现智慧铁路生态系统 构建多层次的智慧铁路生态，整合各类数据，如气象、交通、 旅游等，通过语义分析和深度学习实现智能决策，使铁路系统 能够更好地适应外部变化。 以下是本项目在实施过程中将开展的主要工作内容：  数据采集与模型构建 o 收集铁路沿线的地理信息、交通流量、环境监测等相关 数据。 o 建立三维 AI 大模型，通过持续学习优化模型性能。 调与相 关利益方的合作，通过构建开放的生态系统，形成政府、企业、科 研机构的协同创新，共同推动中国铁路事业向智能化、数字化方向 不断前进，为未来的智慧城市建设奠定基础。实现铁路沿线管理的 自适应、自优化，最终形成一个具备高度智能化、生态友好型的铁 路运输系统。 2. 技术方案概述 在铁路沿线实景三维 AI 大模型的应用方案中，技术方案的设 计与实现是确保系统有效运行的关键。该方案旨在通过构建高效的 为确保系统的稳健运行与数据的高可用性，技术方案中还包括 了数据管理模块的建设，采用分布式存储与云计算技术，实现数据 的高效存储与处理。同时，定期的模型更新与维护也是方案的重要 组成部分，确保技术的持续有效性与环境的动态适应性。 综上所述，本技术方案通过构建高精度的三维模型、应用先进 的 AI 分析技术、提供实时监测平台，将有效提升铁路沿线的环境 管理与安全保障能力，创造现代铁路运输的智能化管理模式。 2.1 实景三维建模技术