服务器日志异常值班员
🎯 解决什么问题
半夜服务挂了，值班同学翻日志定位要半小时。智能体 7×24 盯着日志流，错误率突增、慢查询、OOM 前兆一旦出现，立刻推送告警并附上它分析出的可能原因和最近的相关变更。把故障发现时间从'用户投诉'提前到'苗头刚出现'。
😣 半夜服务挂了，值班同学被电话叫醒，翻几百行日志定位根因要半小时，用户已经在群里开骂；小团队更惨，根本没人能 7×24 盯着日志，故障永远是“用户先发现”。
💡 故障平均发现时间从 30 分钟降到 3 分钟
🛠 操作步骤（共4步）
1
Prometheus 接入与阈值设定用 Prometheus + Grafana 接入服务日志和指标，设定错误率、P99 延迟、内存水位的告警阈值。
2
告警触发自动分析告警触发时自动把近 15 分钟的异常日志、堆栈和最近一次代码变更打包，调用 Muse 做根因分析。
3
飞书推送根因与止血步骤Muse 输出最可能的 3 个根因、判断依据和止血步骤，通过飞书机器人推送给值班同学。
4
人工止血与回填校准值班同学按步骤止血，事后把真实根因回填给 AI 做校准，持续优化它的判断准确率。
📋 提示词模板（复制即用）
你是值班运维助手。以下是[服务名]在[时间段]的异常日志和告警：[粘贴日志/告警内容]，最近一次代码变更：[变更说明]。请输出：①最可能的根因（按可能性排序，最多3个）②每个根因的判断依据（引用关键日志行）③建议的止血操作步骤 ④需要升级给开发的判断条件。回答控制在300字内，优先可执行。
🧰 用到工具
Muse · Prometheus · 飞书
⚠️ 注意事项
- 先影子运行 2 周：只记录分析结果不推送，对比人工判断，准确率达标再开告警
- 告警阈值用 P95/P99 分位数，别用平均值——平均值会把毛刺平均掉
- 给 AI 的日志读取权限设为只读，止血操作（重启、回滚）必须人工确认后执行