AIRegulation/aiops-docs
7
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
main
aiops-docs/workflow/AIOps_Workflow_Requirements.md

13 KiB
Raw Permalink Blame History

AIOps Workflow Requirements

1. 文档目标

本文档用于定义 aiops-workflow 项目的职责边界、MVP 需求范围、核心对象模型、输入输出契约与实施优先级。

这份文档基于主架构文档中对三层项目域的划分，重点回答以下问题：

  1. aiops-workflow 在整体 AIOps 架构中的定位是什么。
  2. aiops-workflow 在 MVP 阶段必须交付哪些能力。
  3. 它和 aiops-platform、aiops-tools 的边界如何清晰切开。
  4. 如何保证 workflow 输出稳定、可解释、可评测、可演进。

本文档默认面向 workflow-first 路线，而不是 multi-agent 优先路线。

2. 项目定位

2.1 核心定义

aiops-workflow 负责“如何做诊断、如何组织证据、如何输出结构化 RCA 与建议”。

它不是平台主控层，也不是底层工具适配层，而是位于两者之间的智能工作流中枢。

其核心职责是：

  • 接收 aiops-platform 提供的 Incident 上下文。
  • 按既定 workflow 执行诊断、检索与推理。
  • 调用 aiops-tools 暴露的查询类工具补齐证据。
  • 输出平台可直接消费的结构化结果。

2.2 不负责的事情

aiops-workflow 明确不负责：

  • 持有 Incident 主状态
  • 审批流转
  • 执行动作控制
  • 页面展示
  • 直接对生产环境进行写操作
  • 直接耦合底层监控系统协议细节

2.3 核心设计原则

  • Workflow 优先于 multi-agent
  • 查询能力可以直接调用 tools
  • 执行能力必须回到平台决策
  • 输出必须结构化，不能只返回自由文本
  • 所有 workflow 都要可版本化、可回放、可评测

3. 目标用户与调用方

3.1 直接调用方

  • aiops-platform
  • 后续可能的复盘任务调度器
  • 评测回归任务调度器

3.2 主要使用者

  • AI 工程师：维护 workflow、Prompt、Schema、评测集
  • 平台后端工程师：对接调用契约与任务状态
  • SRE / 运维专家：审核知识库、诊断逻辑、建议动作质量

4. MVP 成功标准

MVP 阶段，aiops-workflow 至少应达到以下结果：

  1. 可稳定执行 incident_diagnosis 工作流。
  2. 可调用 2-3 个查询类工具补齐证据。
  3. 可返回统一格式的 RCA Result 与 actions。
  4. 输出结果可被平台直接落库和展示。
  5. 具备基础评测回归能力，避免工作流更新后质量失控。

建议的 MVP 指标：

指标 说明 MVP 目标
Workflow 成功率 工作流执行完成率 高于 95%
Schema 合法率 输出满足平台 schema 的比例 高于 99%
诊断 P95 时延 从触发到输出结果的时延 小于 60 秒
引证覆盖率 结果中包含有效 evidence 的比例 高于 90%
RCA Top1 准确率 在评测集上的首选结论命中率 持续追踪

5. 范围边界

5.1 MVP 必须范围

  • Workflow 注册与版本管理
  • incident_diagnosis 工作流
  • action_planning 工作流
  • 查询类工具编排
  • RAG 检索策略基础能力
  • 结构化输出 schema
  • 任务状态查询
  • 评测样例与回归检查
  • 失败与降级策略

5.2 MVP 可选增强

  • postmortem_summary 工作流
  • Prompt 模板变量管理界面
  • 多知识域检索重排
  • 更细粒度的步骤级 tracing

5.3 明确不在 MVP

  • Multi-agent 编排框架
  • 执行类动作直连生产系统
  • 复杂可视化管理后台
  • 全自动根因图谱推理平台
  • 训练/微调平台

6. 核心对象模型

建议 aiops-workflow 先围绕以下对象建模：

对象 说明 关键字段
WorkflowDefinition 工作流定义 id, name, purpose, owner
WorkflowVersion 工作流版本 version, status, schema_ref, prompt_refs
SkillDefinition 可复用能力单元 id, workflow_ref, input_schema, output_schema
PromptAsset Prompt 模板资产 id, version, variables, content
KnowledgeCollection 知识集合 id, source_type, tags, index_ref
RetrievalPolicy 检索策略 top_k, filters, rerank_policy
ToolContract 工具调用契约 tool_name, input_schema, output_schema
WorkflowRun 一次工作流执行实例 run_id, workflow_id, status, started_at
WorkflowStepRun 步骤运行实例 step_name, tool_name, status, duration_ms
EvaluationCase 评测样例 case_id, input, expected_output
SchemaContract 输出契约 fields, required, enum_constraints

7. MVP 功能需求

7.1 Workflow Registry

7.1.1 能力目标

系统应能管理工作流定义与版本，而不是把 workflow 当成散乱脚本。

7.1.2 必须能力

  • 注册 workflow
  • 维护 workflow 名称、用途、负责人
  • 管理版本状态
    • draft
    • active
    • deprecated
  • 记录 workflow 依赖的 Prompt、Schema、Knowledge、Tools

7.1.3 验收标准

  1. 可查看某个 workflow 的当前生效版本。
  2. 更新 workflow 时可保留历史版本。
  3. 平台调用时可明确命中哪个版本。

7.2 incident_diagnosis 工作流

7.2.1 目标

这是 MVP 最核心的工作流，用于根据 Incident 上下文给出结构化诊断结果。

7.2.2 输入要求

最小输入建议包含：

  • incident_id
  • title
  • severity
  • service
  • env
  • fingerprint
  • time_window
  • recent_changes
  • related_incidents
  • topology

7.2.3 执行步骤

建议固定为以下链路：

  1. 解析 Incident 上下文
  2. 决定需要调用的查询工具
  3. 调用 metrics / logs / k8s / changes 查询
  4. 调用 RAG 补充 SOP 和历史案例
  5. 汇总证据并生成候选结论
  6. 输出结构化 RCA

7.2.4 输出要求

必须返回：

  • summary
  • rca.conclusion
  • rca.confidence
  • rca.impact_scope
  • rca.evidence[]
  • actions[]

7.2.5 验收标准

  1. 输出必须满足平台约定 schema。
  2. 结果中至少包含一条 evidence。
  3. 低置信度时不能输出高风险自动执行模式。

7.3 action_planning 工作流

7.3.1 目标

根据已形成的 RCA 与上下文，给出可执行但受控的动作建议。

7.3.2 必须能力

  • 根据 RCA 生成动作建议列表
  • 为每个动作给出风险等级
  • 为每个动作给出推荐模式
    • auto
    • approval
    • suggest_only
  • 提供回滚建议

7.3.3 约束

  • 仅输出建议，不直接执行
  • 不允许 workflow 自行持有执行凭证
  • confidence 低于阈值时自动降级

7.3.4 验收标准

  1. 每个动作都带 risk 和 mode。
  2. 中高风险动作默认不能为 auto。
  3. 建议动作可以被平台直接渲染展示。

7.4 postmortem_summary 工作流

7.4.1 目标

该工作流建议作为 P1 能力，用于在 Incident 关闭后生成复盘初稿。

7.4.2 建议输出

  • Incident summary
  • 关键时间点摘要
  • 主要证据
  • 初步改进建议
  • 待人工确认的问题清单

7.4.3 MVP 处理方式

MVP 可先保留设计，不强制交付。

7.5 Prompt 资产管理

7.5.1 必须能力

  • Prompt 版本化
  • Prompt 与 workflow 绑定
  • 变量占位支持
  • 记录 Prompt 更新时间和负责人

7.5.2 设计要求

  • Prompt 不应散落在代码或平台表单中不可追踪地修改
  • Prompt 变更必须可回溯，并可在评测中验证

7.6 RAG 管理能力

7.6.1 范围

aiops-workflow 需要管理“如何检索”，不一定亲自实现底层向量数据库服务。

7.6.2 MVP 必须能力

  • 管理知识集合引用
  • 定义检索过滤条件
  • 定义召回数量 top_k
  • 定义是否进行 rerank
  • 返回引用证据

7.6.3 知识来源建议

  • SOP 文档
  • 历史 Incident / Postmortem
  • 变更处理手册
  • 常见故障 FAQ

7.6.4 验收标准

  1. workflow 输出中能引用知识来源。
  2. 检索异常时可降级，不致使整体任务崩溃。

7.7 Tools 编排能力

7.7.1 必须支持的查询类工具

  • query_metrics
  • query_logs
  • query_k8s
  • query_changes

7.7.2 调用原则

  • workflow 只调用标准化工具契约
  • 不直接关心 Prometheus / Loki / K8s 原生协议差异
  • 工具异常要回传为结构化错误

7.7.3 明确禁止

  • 直接调用生产执行接口
  • 绕过平台审批去执行变更
  • 将 tool 返回的自由文本直接当最终结论

7.7.4 验收标准

  1. tools 调用记录可关联到 workflow run。
  2. tool 错误会降低置信度并触发降级逻辑。

7.8 输出 Schema 契约

7.8.1 必须能力

  • 明确定义 output schema
  • 校验 required 字段
  • 校验枚举字段
  • 拒绝不合法输出进入平台主链路

7.8.2 核心字段建议

{
  "summary": "数据库连接池耗尽导致 API 延迟升高",
  "rca": {
    "conclusion": "连接池配置与突发流量不匹配",
    "confidence": 0.86,
    "impact_scope": ["api-gateway", "order-service"],
    "evidence": [
      {"type": "metric", "ref": "promql://latency_p95"},
      {"type": "log", "ref": "loki://timeout_errors"}
    ]
  },
  "actions": [
    {
      "name": "临时扩容 order-service",
      "risk": "low",
      "mode": "auto",
      "rollback": "scale down deployment/order-service"
    }
  ]
}

7.8.3 验收标准

  1. schema 校验失败时返回明确错误码。
  2. 平台侧不需要解析自由文本才能使用结果。

7.9 运行态与任务管理

7.9.1 必须能力

  • 异步任务运行
  • 任务状态查询
  • 步骤级状态展示
  • 超时控制
  • 取消任务

7.9.2 任务状态

  • queued
  • running
  • succeeded
  • failed
  • timeout

7.9.3 验收标准

  1. 平台可以查询任务当前状态。
  2. 失败任务能返回失败原因。
  3. 超时任务进入明确降级路径。

7.10 评测与回归能力

7.10.1 必须能力

  • 保存评测样例
  • 定义期望输出或期望结论
  • workflow 更新后可批量回归
  • 对比关键指标变化

7.10.2 核心评测维度

  • RCA 是否正确
  • evidence 是否充分
  • schema 是否合法
  • 动作建议是否越权
  • 置信度是否异常偏高

7.10.3 验收标准

  1. 每次重要 workflow 变更前后都能跑回归集。
  2. 回归结果可沉淀为版本发布依据。

7.11 可观测性与审计

7.11.1 必须记录的信息

  • workflow 名称与版本
  • run_id
  • 输入摘要
  • tools 调用记录
  • token / cost 使用量
  • 执行耗时
  • 输出摘要
  • 错误信息

7.11.2 边界说明

aiops-workflow 可以记录 workflow 运行审计，但 Incident 主审计仍由 aiops-platform 持有。

7.12 失败与降级策略

7.12.1 必须实现

  • LLM 超时降级
  • tool 不可用降级
  • 检索失败降级
  • schema 不合法降级

7.12.2 建议行为

  • 返回部分结果 + 低置信度标记
  • 阻断自动动作建议
  • 明确提示人工接管

7.12.3 错误码建议

  • AI_TIMEOUT
  • TOOL_UNAVAILABLE
  • SCHEMA_INVALID
  • RAG_UNAVAILABLE
  • WORKFLOW_FAILED

7.13 安全要求

7.13.1 必须约束

  • 不保存生产执行凭证
  • 不直接调用写操作工具
  • 不暴露敏感原始凭证到 Prompt
  • 对输入上下文中的敏感字段进行最小化传递

7.13.2 合规要求

  • workflow 运行日志可追踪
  • Prompt 与知识来源可审计
  • 结果生成过程可解释

8. 与平台的接口要求

8.1 诊断触发接口

  • 平台触发 incident_diagnosis
  • workflow 返回 task_id
  • 平台异步查询结果

8.2 结果接口要求

成功结果必须包含：

  • task_id
  • incident_id
  • status
  • summary
  • rca
  • actions

8.3 会话追问能力

建议预留人工追问接口，用于平台详情页的补充诊断，但不应影响主 workflow 结果的结构化输出约束。

9. 推荐的仓库内文档与资产结构

如果后续 aiops-workflow 独立成仓，可参考如下结构：

workflow/
  AIOps_Workflow_Requirements.md
  workflows/
    incident_diagnosis/
    action_planning/
    postmortem_summary/
  prompts/
  schemas/
  evals/
  knowledge/

10. 分阶段实施建议

Phase 1

  • 打通 incident_diagnosis
  • 接入 query_metrics、query_logs、query_k8s
  • 固化结构化 RCA schema

Phase 2

  • 增加 action_planning
  • 完善 RAG 引用质量
  • 建立评测回归集

Phase 3

  • 增加 postmortem_summary
  • 引入更细粒度版本治理
  • 评估局部 agent 化是否有必要

11. 结论

aiops-workflow 在整个架构中的价值，不是“单独做一个 AI 服务”， 而是把诊断能力沉淀成稳定、可复用、可评测的 workflow 资产。

如果 aiops-platform 解决的是“事件怎么流转”， aiops-tools 解决的是“数据怎么查、动作怎么控”， 那么 aiops-workflow 解决的就是：

  • 证据如何组织
  • 诊断如何形成
  • 结果如何结构化输出

因此它的第一优先级不是做复杂 agent 协作， 而是先把 incident_diagnosis -> evidence -> RCA -> actions 这条链路做稳定、做可审计、做可回归。