规范要求 24 小时内出 RCA · 现实是故障一处理完就冲进下一个火场
智算集群运维(GPU 与高速网络) · 真实业务触发
8 月 21 日凌晨 A12 区 GPU 降频、客户星澜科技训练任务变慢并在群里要书面说明。SLA 合同约定投诉受理后 24 小时内须提交第一份书面处理报告 —— 现在是第二天上午十点,时间线散落在监控截图、微信聊天、值班记录和厂商电话里。
不是流程描述,是调研出来的真痛点 —— 每条可点开核对出处
变化不在「快」,在「参与的角色」和「覆盖的范围」
5 步 · 每一步的产出都是下一步的输入
痛感 5 × AI 适配 5 ÷ 落地难度 3 = 8.3
最大差异点 · 与「工单系统自动生成故障报告」的区别:那些系统的数据止步于自己平台内。本场景的时间线从五处拼起来 —— DCGM 告警、动环告警、微信沟通、值班记录、厂商工单 —— 每个时间点标注来源与置信度。
评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨部门取数、错了能不能当场看出来」; 落地难度是分母 —— 需要客户先做数据治理的场景,分数会被压得很低。
判断标准只有一个:这份东西能不能直接进企业的流程
不下最终责任认定(责任认定栏留空 —— RCA 是给责任认定会提供证据的,不是替它做结论)。不替客户决定赔偿方案。整改项只跟踪状态与期限,「已完成」的确认要责任部门签字。对外发送版需人工审定后发出。
Live Demo 里有一个完整案例的每一步,包括 Agent 在哪一步拦住了