- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型
大模型在蓝鲸运维体系应用——蓝鲸运维开发智能助手
直达原文：大模型在蓝鲸运维体系应用——蓝鲸运维开发智能助手背景1、运维转型背景蓝鲸平台从诞生之初，就一直在不遗余力地推动运维转型，让运维团队可以通过一体化 PaaS 平台，快速编写脚本，编排流程，开发运维工具 2、大模型对运维开发带来的挑战和机遇最近几年，大模型的爆发式发展为开发和运维行业带来新的变革，2021 年 7 月 1 日，由 GitHub 和 OpenAI 共同开发的人工智能编码助手——Copilot 4、问答系统大模型可用于构建问答系统，与用户进行自然语言交流，回答用户提出的问题，如在线客服、智能助手等。5、文本生成大模型可以根据上下文生成各种类型的文本，如代码注释、代码补全、单元测试等。 5、运维开发平台集成最后，在低代码开发领域，运维开发平台的优势在于图形化开发方式、大量的预制组件、少量手工编码、实现完整的应用（包含页面、流程、数据等），可以降低开发难度、开发成本，缩短开发周期，但是也存在产品学习成本高 直达原文：大模型在蓝鲸运维体系应用——蓝鲸运维开发智能助手
1.6K01编辑于 2024-05-27 大模型在蓝鲸运维体系应用——蓝鲸运维开发智能助手
2、大模型对运维开发带来的挑战和机遇最近几年，大模型的爆发式发展为开发和运维行业带来新的变革，2021 年 7 月 1 日，由 GitHub 和 OpenAI 共同开发的人工智能编码助手——Copilot 而且，通义灵码的工作节奏比996还要极致：7x24小时随叫随到…看起来，大模型的应用似乎要终结开发框架、低代码这类脚手架开发工具。难道，运维不再需要开发转型了？甚至“零运维”在AI的帮助下提前实现了？ 5、运维开发平台集成最后，在低代码开发领域，运维开发平台的优势在于图形化开发方式、大量的预制组件、少量手工编码、实现完整的应用（包含页面、流程、数据等），可以降低开发难度、开发成本，缩短开发周期，但是也存在产品学习成本高 大模型查询运维开发平台内置的组件，并在页面快速生成组件实例，整个过程比拖拉拽的交互更加高效。 未来展望“把AI和大模型的能力赋能给运维团队，推动运维开发转型，实现组织可持续、自生长”始终是蓝鲸品牌的发展理念，无论是已经“越过顶峰、走出低谷”的PaaS平台、云原生技术，还是处于“期望顶峰”的大模型技术
1.5K10编辑于 2024-11-13- 来自专栏bisal的个人杂货铺
大模型和智能运维的结合
5.企业领导在财务计算上会发现一个人的成本可能远低于大模型私有化训练且需要显卡等高额的成本，除非某个云厂商直接提供一个完全成熟的大模型服务直接调用，且价格低廉。 2.核心技术力层面：现有团队中有没有合适的人去负责推动、去主导大模型落地？知识储备是否能够支撑大模型的应用及开发？ 2、IT运维团队需要具备哪些能力，才能更好地使用大模型赋能自动化运维？ ● 观点1 若面向运维团队的话，运维领域知识与大模型结合的能力可能是最需要考虑的首要要素。 （5）大模型prompt的编写以及调试能力，每个大模型都有各自的切合点，不同的prompt影响很大。 不同系统之间的兼容性问题可能导致数据无法有效共享，影响智能化运维的整体效果。 5.安全性与隐私： 智能化运维涉及大量的数据收集和处理，这对数据的安全性和隐私保护提出了更高的要求。
1.5K00编辑于 2025-02-03 - 来自专栏AI+运维：智能化运维的未来
大模型进驻运维战场：运维数据处理的智能革命
大模型进驻运维战场：运维数据处理的智能革命在传统运维工作中，数据处理一直是个让人头疼的问题——日志分析、异常检测、告警优化，各种数据纷至沓来，往往让运维人员不堪重负。 如今，大模型技术正在悄然改变这一现状，让运维不再是靠经验“拍脑袋”，而是依赖数据驱动的智能决策。今天，我们就来聊聊大模型技术在运维数据处理中的应用，看看它到底能帮运维人员省多少力。 运维数据为何需要大模型？ (1000, 10, 1)labels = np.random.rand(1000, 1)# 训练模型model.fit(data, labels, epochs=5)这类基于大模型的异常检测方法可以减少误报 未来展望：大模型将如何继续改变运维？运维工作的核心是提高可靠性、降低运维成本、减少故障时间，而大模型正在成为实现这些目标的重要工具。
72810编辑于 2025-05-25 - 来自专栏素质云笔记
大模型时代的模型运维与部署：LLMops
---- 1 LLMOps介绍 1.1 关联定义 术语 LLMOps 代表大型语言模型运维。它的简短定义是 LLMOps 是 LLM 的 MLOps。 这些模型有数十亿个参数，并接受了数十亿个单词的训练（因此被称为大型语言模型）。 MLOps（机器学习运维）是一组工具和最佳实践，用于管理 ML 驱动的应用程序的生命周期。 通常，它们是比专有模型功能更小的模型。但从好的方面来说，它们比专有模型更具成本效益，并为开发人员提供了更大的灵活性。 测试和训练数据分布差异大：实际使用的数据分布总是不同于训练数据的分布。 难以用一个核心指标去衡量：指标不那么直接，可能无法捕捉模型的不同行为。语言模型需要对行为和定性输出测量有更多样化的理解。 ---- 3 参考文献 LLMOps（Large Language Model Operations）简介 了解一下新领域 LLMOps: 大模型运维 LLM训练营课程笔记之 LLMOps: Deployment
7.8K21编辑于 2023-07-09 - 来自专栏DBA随笔
Redis开发与运维学习笔记---(5)
// Redis开发与运维学习笔记---(5) // 事务 redis中的事务和MySQL中的事务类似，也是为了保证多条命令组合的原子性，为此，redis提供了简单的事务功能以及集成Lua来解决这个问题 5、消息队列系统，消息队列系统可以说是一个大型网站的必备系统组件，redis提供了发布订阅功能和阻塞队列的功能，虽然和专业的消息队列比还不够抢单，但是对于一般的消息队列功能基本可以满足。
56510发布于 2020-04-01 - 来自专栏智能运维圈
1位5年智能运维开发对智能运维的理解
个人认知过程 自从2016年，开始从事智能监控开发之后，就跟智能运维搭上了不解之缘。 2016/2017年：刚开始做监控的时候，研究了几乎市面上所有监控产品，和相关的技术文章、视频。 •《大数据日知录》：分布式系统相关的理论、以及大数据相关的技术； •《从零开始学习架构》：阿里的一位大神写的，关于 分布式系统架构 的一整套方法论； 2018年：随着监控的逐步完善。 运维的职责 •持续交付体系建设 •配置管理：版本控制 •环境管理：开发环境、集成测试环境、预生产环境、生产环境等； •代码管理： •发布变更： 5分钟定位问题 - 10分钟故障恢复； •故障预测； 从产品的角度看智能运维 目标群体 智能运维的使用方，是一群有着丰富经验的运维专家，但是可能对数据分析、数据挖掘没有任何概念 同时数据仓库的数据，也能够为数据分析和数据挖掘提供底层的数据支撑； 从工程的角度看智能运维 系统开发 整个智能运维解决方案，把运维几乎所有的业务系统都囊括进来： 基础组件
2K72发布于 2021-06-25 - 来自专栏DBA随笔
MongoDB运维与开发（六）---MongoDB集群(5)
// MongoDB运维与开发（六）---MongoDB集群(5) // 关于MongoDB的集群运维，之前的文章已经说了很多内容了，这块儿知识点比较多，由于是每天抽空写文章，所以每天能说到的点有限 : 4 } { "_id" : ObjectId("5fb4e78beebfcce3b111d99e"), "number" : 5 } { "_id" : ObjectId("5fb4e78beebfcce3b111d99f : 4 } { "_id" : ObjectId("5fb50645eebfcce3b111e556"), "number" : 5 } { "_id" : ObjectId("5fb50645eebfcce3b111e557 ("5fb4e78beebfcce3b111d9a5"), "number" : 12 } { "_id" : ObjectId("5fb4e78beebfcce3b111d9a6"), "number "5fb4e78beebfcce3b111d99e"), "number" : 5 } { "_id" : ObjectId("5fb4e78beebfcce3b111d9a0"), "number"
80440发布于 2020-11-26 - 来自专栏AIOps
嘉为蓝鲸运维大模型开发平台V1.2：以智能引擎驱动运维全场景效率革命
直达原文：【春季发布】嘉为蓝鲸运维大模型开发平台V1.2：支持60+大模型，运维全生命周期赋能，完成智能化跃迁嘉为蓝鲸作为数字研运解决方案的引领者，在保持研运一体化运维平台稳定发展的同时，坚持创新，结合运维领域最新的大数据 、机器学习和大语言模型技术，融入嘉为蓝鲸上千家政企客户的实践经验和发展诉求，推出的嘉为蓝鲸运维数据与智能平台，已经在多家头部银行和运营商客户落地，帮助客户解决海量规模下的运维质量、成本、效率和体验问题， 嘉为蓝鲸运维大模型开发平台V1.2（以下简称“LLMOps平台”）发布，不仅进一步完善了嘉为蓝鲸运维数据与智能中心的功能版图，补充了运维大模型基础技术能力，而且通过统一的AI Agent开发框架，提升了嘉为蓝鲸应用融合大模型能力的速度 LLMOps平台致力于为运维全生命周期提供卓越的大模型赋能支持，为满足不同业务场景需求提供自定义AI开发扩展能力。LLMOps平台包含了大模型管理层、网关服务层、资源管理层。 （5）更多智能运维场景参考
92110编辑于 2025-04-21 - 来自专栏AI+运维：智能化运维的未来
大模型+实时监控，运维不再“眼瞎心慌”
大模型+实时监控，运维不再“眼瞎心慌”在运维领域，实时监控一直是保障系统稳定运行的关键。然而，传统的监控方式往往存在几个痛点：告警泛滥：运维人员每天被大量无意义的告警轰炸，难以筛选真正关键的异常。 近年来，大模型（如 GPT、BERT、Transformers）在数据分析、自然语言处理领域取得了突破，而这些技术在运维监控中的应用，也正在悄然改变行业的游戏规则。1. 大模型如何赋能实时监控？ 5. 现实落地：AI+运维真的好用吗？大模型在运维监控中并非万能，落地过程中仍有一些挑战：计算资源消耗：大模型计算成本高，需要优化部署方式，如轻量化模型或边缘计算。 即便如此，越来越多企业已经在运维场景中尝试大模型，利用 AI 技术提升监控系统智能化程度。未来，运维人员可能不再需要盯着数百条日志逐行排查，而是可以通过智能化系统快速响应并预防故障。 结语大模型技术正在重塑运维监控的范式，从传统的被动响应转向主动预测和智能分析。运维人员不再是疲于奔命的“救火队员”，而是可以利用 AI 赋能，让监控系统更智能、更高效。
1.4K20编辑于 2025-04-07 - 来自专栏后端云
Kubernetes 运维记录（5）
(tcp) failed: Cannot assign requested address 实验3：多个目标 ip 相同目标端口 $ nohup nc 220.181.57.216 80 -v & [5]
85110编辑于 2023-02-10 - 来自专栏大模型
大模型在蓝鲸运维体系应用——大模型在可观测的增强
它涉及日志记录、性能指标收集、错误追踪等技术手段，用于帮助开发人员诊断和解决软件系统中的问题。 随着 5G、云计算和微服务等技术的深入融合与广泛应用，IT 系统架构正经历着从传统的单体架构向分布式架构乃至云原生架构的转型，这一过程使得企业所面临的 IT 运维环境变得愈发复杂。 在这样的背景下，企业需要运维的系统不仅数量多，而且网络架构复杂、基础设施多样。可观测性建设是帮助工程师掌握复杂分布式系统运行状态、感知系统异常、故障定位、根因分析持续改善系统设计的必要手段。 因此，基于观测工具感知到的异常事件如何进行有效分析，如何打通后端运维处置工具触发有效故障分派及运维操作行为，加速故障闭环，是运维体系生态建设的关键壁垒。 5、故障根因追踪持续稳定改善在故障突发时，工程师首要工作是定位故障边界、识别故障影响范围、快速故障恢复。
1.2K10编辑于 2024-06-17 - 来自专栏程序员同行者
运维开发思路
转载链接http://lizhenliang.blog.51cto.com/7876557/1864869 我的学习心得： 用了小一个月时间写了这个运维管理平台，算是一段学习的总结吧！ 因此写好一个比较完善的平台，开发能力会有很大的提高。当然薪资也紧跟着蹭蹭的涨啦！ 该怎么学习呢？ 刚入门的同学，大都会问这个问题，自己毫无头绪，不知如何下手！ 可以考虑使用开源的前端框架，提高开发速度，不用过多考虑兼容性。 经过这八步循环渐进的学习，我相信你已经有足够能力开发一套属于自己的运维管理平台了。 群里朋友经常问，能看懂代码，就是写不出来，怎么办啊？ 就说这么多了，以上就是我个人对想转运维开发的朋友们一点学习思路，不能说完全是对的，但是思路我觉得没问题。
2K50发布于 2018-07-02 - 来自专栏大模型应用
大模型应用：构建智能大模型运维体系：模型健康度监测系统实践.8
引言 大型语言模型已成为各行各业的核心基础设施。从客户服务到内容创作，从代码生成到科学研究，大模型正深度融入企业的核心业务流程。 然而，随着模型规模的不断扩大和业务场景的日益复杂，模型运维管理面临着前所未有的挑战。 今天我们将以模型健康度监测系统为例，深度剖析现代大模型运维平台的设计理念、技术实现与创新亮点。通过详细的流程分析、架构解读和实践场景说明，为构建智能化的模型运维体系提供完整的实践参考和技术路线图。 ): """智能性能评分算法 - 基于大模型服务特性的专业评分体系""" score = 100 # 基准分数 # CPU性能 (权重: 25%) - 考虑到大模型推理对CPU 六、总结 系统初步实现了对模型健康监测的服务运维监控体系，基于Flask框架确保API服务的稳定性，多线程监控保证数据实时性，内存队列存储控制资源消耗，整体方案技术风险可控，部署维护成本合理
48843编辑于 2026-02-05 日志服务 MCP Server，让大模型 “听懂” 运维需求
日常运维工作中，运维及研发同事经常需要查询日志来排查系统异常问题，每次查询日志都需要登录监控系统、查找监控资源、编写日志查询语句，最后再逐行查看日志。这实在是太麻烦了，严重影响了工作效率。 腾讯云日志服务CLS推出的MCP Server ( Model Context Protocol Server)，让您可以使用大模型直接查询日志数据！ 无论是技术小白还是资深运维，都能轻松上手，大幅提升日志查询效率。 运维排障：当系统出现异常时，大模型智能分析当前错误日志，快速定位问题 2. 业务运营：用自然语言查询"今日用户登录失败次数"，实时掌握业务状态 3. 以 Cherry Studio 为例，模型建议使用 DeepSeek Chat/Reasoner（首次使用需提前添加），启用cls-mcp-server 2.
2.1M35编辑于 2025-08-08- 来自专栏kafka专栏
5.【kafka运维】生产者消费组压力测试运维(5)
1. 发送1024条消息--num-records 100并且每条消息大小为1KB--record-size 1024 最大吞吐量每秒10000条--throughput 100
71430发布于 2021-08-06 - 来自专栏AI+运维：智能化运维的未来
大模型技术赋能运维决策支持：开启智能运维新时代
而大模型技术的出现，为运维决策支持带来了全新的变革机遇。一、大模型技术在运维数据处理中的优势运维工作每天都会产生大量的数据，包括服务器日志、性能指标、用户行为数据等。 三、大模型助力运维决策优化在面对复杂的运维场景时，大模型可以为运维人员提供决策建议。例如，当需要决定是否对某个系统进行升级时，大模型可以综合考虑系统的当前性能、业务需求、升级风险等多方面因素。 四、大模型技术在运维自动化中的应用大模型技术还可以与运维自动化工具相结合，实现更加智能的自动化运维流程。例如，在自动化脚本编写方面，大模型可以根据运维任务的需求自动生成相应的脚本代码。 例如，要将大模型生成的决策建议无缝集成到现有的运维监控平台中，以便运维人员能够方便地获取和应用这些建议。这需要运维团队和大模型开发团队密切合作，共同制定集成方案，确保系统之间的兼容性和协同性。 尽管面临一些挑战，但随着技术的不断发展和完善，大模型将逐渐成为运维领域不可或缺的一部分，推动运维工作向更加智能、高效、可靠的方向发展。
79710编辑于 2025-01-07 - 来自专栏我爱编程
运维开发笔试
= max(li[1:]) return li[0] if li[0] > sub_max else sub_max def main(): nums = [10, 4, 2, 5, 7, 3, 5, 1, 6, 9, 8] print(max(nums)) print(quicksort(nums)) if __name__ == '__main__': x, y, z) # spam = staticmethod(spam) print(type(Foo.spam)) Foo.spam(1,2,3) f = Foo() f.spam(4,5,6 ) >>> <class 'function'> # 类型本质就是函数 1 2 3 4 5 6 import time class Date: def __init__(self, 5.如果服务器已经没有要发送的数据，则释放TCP连接，向客户端发送报文：令FIN=1，ACK=1,确认号ack =u+1，自己的序号seq = w（w可能等于v也可能大于v），服务器进入LAST-ACK
2K30发布于 2018-10-09 - 来自专栏希里安
运维开发写作计划
今年个人写作的大致计划： 上半年着重开发一个自己的项目上来，主要熟悉开发流程。 3月 开发基础知识 4月 应用开发流程 5月 前后端开源项目解析 6月 个人开源项目发布 下半年就开始着重某一个点，比如从实战项目中涉及的知识点由浅到深解析学习，详细计划根据实际情况选择展开。 以下是对于写作范围的框架，从个人角度出发，一个是从运维开发核心技术栈展开，另一个就是从应用开发角度展开。框架图还会不断完善，感兴趣的读者可后台私信交流学习。
61930编辑于 2023-10-30 - 来自专栏AI+运维：智能化运维的未来
大模型也能当“运维警察”？——大模型技术在异常检测中的应用
大模型也能当“运维警察”？——大模型技术在异常检测中的应用1. 前言：运维的噩梦——异常检测作为一名运维，最怕的就是半夜被电话叫醒：“系统挂了！”——更可怕的是，报警一响，却找不到具体问题在哪里。 其实，大模型的强大之处在于它能学习复杂的模式，并且能够自动识别异常行为。运维中的日志分析、系统指标分析、本机调用链分析等，都是非结构化或者时序数据，正好适合用深度学习模型来挖掘异常。 未来展望：大模型+运维还能玩出啥花样？大模型在运维领域的应用，远不止异常检测这么简单。智能日志分析：基于ChatGPT等大模型解析海量日志，快速找到问题根因。 根因分析：结合因果推理+大模型，自动推测故障发生原因。自愈能力：基于大模型的强化学习算法，让系统能自动修复故障。AIOps智能告警：减少误报，提高告警准确率。5. 结语大模型已经成为智能运维的得力助手，运维不再只是“修服务器”的工作，而是向智能化、自动化迈进。用好大模型，不仅能减少人工介入，还能极大提升故障检测效率。
1K00编辑于 2025-03-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号