社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Elasticsearch

阿里云 Elasticsearch 9.4 Agent Builder 实战

阿里云大数据AI平台 • 3 月前 • 164 次点击  
图片

导读:

本文以一次灰度发布故障为完整演示,拆解阿里云 Elasticsearch 9.4 Agent Builder 如何用 Skill 固化经验、用 Tool 锁定口径、用 Workflow 守住人工确认,做到能力可复用、权限不放开、审批不跳过。


图片

开篇

一条告警,为什么总要查这么久

处理过线上告警的人大概都熟悉这个场景:一条 5xx 告警弹出来,确认“服务在报错”只要几秒,但接下来的调查才是真正耗时的部分。找索引、选时间窗口、写查询、比版本、提取 trace、翻发布记录、核对回滚规则、整理审批单——每一步都不难,难的是串起来做,而且换个人来查,口径和顺序可能又不一样。更关键的是,这些经验往往只存在于个别工程师的脑子里,既没法复用,也没法审计。

阿里云 Elasticsearch 9.4 的 Agent Builder 把这些环节收拢到一处。团队把排查经验写成 Skill,把数据接口写成 Tool,Agent 根据用户请求组织调用;碰到需要人拍板的步骤,交给 Workflow。查询继续走 Elasticsearch 的权限体系,生产动作继续走既有审批。能力可以复用,边界也得以守住。

Agent Builder 核心对象只有四个:Agent Chat、Agent、Skill、Tool。Workflow 通过 Workflow Tool 与 Agent 协作,处理确定性流程和人工确认。各对象的定义见 Agent Builder 技术文档,阿里云侧的模型接入步骤见阿里云 ES Agent Builder 使用指引。具体能力如下:

Agent Builder 技术文档:https://www.elastic.co/docs/explore-analyze/ai-features/elastic-agent-builder

阿里云 ES Agent Builder 使用指引:https://help.aliyun.com/zh/es/use-cases/agent-builder-usage-guide

下面用一次灰度发布引发的登录故障走一遍完整流程。演示运行在阿里云 Elasticsearch 9.4 实例上,大模型通过 AI Connector 接入 AlibabaCloud AI Search 接口(演示模型选择 qwen3-max)。日志统计、发布记录、策略阈值和流程状态均为实际调用返回。

登录接口触发 5xx 告警,灰度发布刚过去十几分钟。值班人员确认异常后,在 Kibana Agent Chat 里打了一句话:

分析最近 13 分钟的登录失败日志。影响有多大?错误集中在哪个版本?十几分钟前刚发布的 auth-service 灰度版本是否相关?如果已经满足回滚条件,请发起审批。

一句话里包含了四个子任务:定量影响面、定位版本、关联发布、触发审批。Agent 会按 Skill 规定的顺序逐步处理,而不是把所有查询一股脑丢给模型。下文将分 5 部分对视频 Demo 中的内容作详解。


01

数据基础:字段统一,权限锁死

调查要对比发布前后、对比稳定版本和灰度版本,前提是字段定义一致——时间、环境、服务、版本、状态码如果各写各的,错误率根本没法比。

演示数据共 26,400 条访问日志,按固定规则生成:发布前后各 12,000 条生产登录日志,另有 1,200 条 staging 登录日志和 1,200 条 production 支付服务日志。后两组不参与故障统计,专门用来验证权限隔离。

所有日志入库前经过同一条 Ingest Pipeline:校验必填字段,统一映射为 @timestamp、service.name、service.version、http.response.status_code、trace.id、 error.type、deployment.id,同时删除令牌和用户标识。

这里的关键是权限隔离。Agent 使用的角色只能读取 production 环境的 auth-service 日志及对应发布策略,staging 数据和支付服务日志对它完全不可见。用第二个演示账号验证:能查到 24,000 条生产登录日志,staging 和支付服务返回 0。也就是说,Agent 看到的数据和人工查询完全一样,不会因为接了 LLM 就多看到任何东西。机制详见阿里云 Elasticsearch 高安全性能力。

阿里云 Elasticsearch 高安全性能力:https://help.aliyun.com/zh/es/product-overview/high-security

到这一步,字段结构和可见范围已经对齐,后续所有查询都可以在 Kibana 中重复执行。


02

定量:影响面有多大,问题在哪个版本

告警只告诉你"有 5xx",不告诉你多严重、谁在报错。Agent 调用的第一项 Tool 是 login_logs.summarize_failures——接收起止时间,用参数化 ES|QL 按版本统计请求量、5xx 数量和错误率。

结果很明确。分析窗口内共 12,000 次生产登录请求,986 次返回 5xx,整体错误率 8.22%。但按版本拆开看:

灰度版本只承接了 10% 的流量,却贡献了 97.36% 的失败。稳定版本错误率 0.24%,基本是背景噪声。方向很明确:后续调查集中在灰度版本。

另外值得注意的是,查询口径是写死在 Tool 里的——索引、环境、服务、接口、计算公式、返回字段都是预定义的。用户换个问法,底层查询不会跟着变。配置方式见 ES|QL Tool 文档。

ES|QL Tool 文档:https://www.elastic.co/docs/explore-analyze/ai-features/agent-builder/tools/esql-tools


03

深入灰度版本:什么错、哪台机器、哪条 trace

知道“灰度版本在报错”还不够,得知道报什么错。Agent 接着调用两项 Tool:

960 次失败的分布:SQLTransientConnectionException 840 次, DataAccessResourceFailureException 90 次,TimeoutException 30 次——几乎全跟数据库连接有关。样本还返回了 deployment.id=DEP-20260715-018、主机名和 trace.id,拿着这些就能去查调用链和应用日志。

这个调用顺序不是模型自己发挥的。login-log-investigation  Skill 写死了排查路径:先统计整体和版本分布→错误集中时对异常版本做归类和取样→需要判断发布关联时再查发布记录和回滚规则。Skill 还要求回答里标明分析窗口,区分"日志统计事实""关联判断"和"待验证项",避免把推测说成结论。

演示中还用到了其他类型的 Tool:Index Search Tool 检索运行手册和历史排障资料,回滚阈值由参数化 ES|QL Tool 查正式策略记录,CMDB、工单、发布平台等外部系统则通过 MCP Tool 接入。四类 Tool 各有各的边界。

MCP Tool:https://www.elastic.co/docs/explore-analyze/ai-features/agent-builder/tools/mcp-tools


04

关联发布:那次灰度改了什么

错误全指向数据库连接池,而灰度版本恰好在告警前十几分钟刚发布。是巧合还是因果?得看发布记录和回滚规则怎么说。

login_logs.retrieve_release_policy 返回两条关键信息:

  • 发布记录:灰度版本于告警前 16 分钟按 10% 流量发布,变更内容是把数据库连接池  maxPoolSize 从 50 调到 10。

  • 回滚策略(POL-REL-ROLLBACK-002):灰度版本 5xx 错误率连续 5 分钟 ≥ 5%,且稳定版本 < 1%,即可发起回滚审批。

对照日志数据:灰度版本错误率 80%,稳定版本 0.24%,阈值条件满足。发布时间、配置变更(连接池缩容 5 倍)、错误类型(连接获取失败)三者完全吻合,足以提交回滚审批。当然,根因确认是回滚之后的事——观察指标是 10 分钟内整体 5xx 回落到 1% 以下,连接池超时不再持续出现。


05

审批:Workflow 停住,等人拍板

Agent 判断条件满足后,加载 production-rollback-approval Skill。这个 Skill 专门做参数校验:服务名、异常版本、目标版本、分析窗口、证据摘要、策略编号、验证计划,七项缺一不可。全部齐全后,才调 login_logs.request_rollback_approval 启动 Workflow。

Workflow 走到 waitForInput 就停住了,状态变为 Waiting 。当班负责人看到版本、日志统计、策略编号和验证计划,然后决定批准、拒绝或要求补充材料。等待期间生产环境不会有任何变化。批准后 Workflow 状态变为 Success。

Agent Chat 保留了三轮对话中所有 Tool 调用和返回结果,每一步判断都可以回溯。阿里云另外提供了 Elasticsearch Agent Skills,可以检查实例、节点和集群健康状态。

回顾整个过程:ES|QL Tool 管查询,Skill 管顺序,Agent 根据上一步结果决定下一步调什么,Workflow 管需要人签字的环节。权限没绕过,审批没跳过,每一步都有调用记录可查。欢迎参考 Agent Builder 使用指引,和阿里云 Elasticsearch 9.4 一起开启 AI Agent 高效新体验。

waitForInput:https://www.elastic.co/docs/explore-analyze/workflows/steps/wait-for-input

Elasticsearch Agent Skills:https://help.aliyun.com/zh/es/use-cases/elasticsearch-agent-skill-ops

Agent Builder 使用指引:https://help.aliyun.com/zh/es/use-cases/agent-builder-usage-guide

欢迎加入钉钉技术交流群:(群号) 35183864

图片

/ END /


▼ 关注「大数据智能体官网」 ▼
复制下方链接或者扫描右边二维码
即可快速拥有大数据超级助理 ,从此躺赢数据开发!
了解详情:https://www.aliyun.com/activity/bigdata/dataagent/skills
图片

点击“阅读原文”快速体验阿里云 Elasticsearch~

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/199280