云排障智能体实践：用问诊式诊断解决云服务器高频故障

一、缘起：排障经验是最难复制的资产

云服务器的故障排障，是一件非常“吃经验”的事情。安全组里明明已经放行了端口，外网却依然访问不了；磁盘毫无征兆地突然写满；SSH 突然连不上；CPU 毫无预兆地飙高；关键进程莫名其妙地异常退出。对经验丰富的运维同学来说，这些大多是“查两三个地方就能定位”的常规操作；但对新手来说，面对一片空白的终端，第一反应往往是：我到底应该先查什么？

这种经验断层，正是很多小故障演变成大事故的原因。于是我开始思考：能不能把这些排障经验结构化、产品化，让新手也能像老手一样一步步问诊、一步步定位？这就是这个“云排障智能体”的由来。

二、思路：把排障经验结构化为智能体的四阶段推理

我的做法，是把一次完整的排障过程抽象为智能体的四阶段推理链：

意图理解 → 信息收集 → 根因分析 → 处置方案

具体交互上，用户先选择遇到的症状类型；智能体随后像医生问诊一样逐题提问，每一题都给出要执行的检查命令（先让你跑一条命令，再根据输出决定下一步问什么）；走完问诊流程后，智能体给出根因结论，并附上可直接执行的修复方案。整个过程不需要用户事先知道“该查什么”，跟着问题走就行。

三、实现：纯原生、零依赖、可离线打开

在实现上，我刻意选择了最“轻”的技术路线：

• 纯原生 HTML/CSS/JS，零依赖：不引入任何第三方库，单文件即可在浏览器中离线打开——在故障现场（可能连外网都没有的环境）也能用；
• 覆盖 5 类症状、28 个根因结论：症状覆盖云服务器高频故障场景，每个结论都经过整理和归类；
• 统一三段式结论：每个根因结论都包含三部分——根因说明、有序修复步骤、可一键复制的 Linux 命令。命令覆盖日常排障高频工具，如 ss -tlnp、systemctl status、ufw status、df -h、du、lsof +L1、journalctl --disk-usage 等，复制粘贴即可执行。

四、码道实践：AI 生成首版 + 人工审查修正

在开发过程中，我把核心的“磁盘空间不足”诊断模块放到了华为云 AI 开发者空间中，用码道 CodeArts 生成了首版代码，共 221 行。AI 生成的速度确实快，但质量仍需人工把关——我在审查时发现了两个问题：

1. systemd journal 被误归入了“日志类”结论，分类逻辑有误；
2. 诊断树中有一个问题节点存在回边，破坏了纯树形结构。

带着这两个问题继续追问修正后，得到了 v1.1 版本：242 行，新增了“磁盘配额或预留空间”结论。用 Node 脚本校验：节点数、引用完整性、纯树形结构三项全部通过。这次实践让我更确信：AI 负责“生成初稿提速”，人负责“审查纠偏兜底”，才是当下最靠谱的人机协作模式。

五、进展与规划

目前，该作品已提交 2026 华为开发者大赛·智能体创新赛-中部赛区。后续规划有两个方向：一是接入大模型 API，实现自然语言症状理解，让用户可以直接用一句话描述故障，而不用先选症状分类；二是对接云 API，实现自动巡检与证据采集，把“问诊”升级为“体检”，在故障发生前就发现隐患。

如果你也在为云服务器排障发愁，欢迎交流：好的排障工具不应该是命令的堆砌，而应该是一套可被传承的经验结构。