凌晨两点被告警叫醒，你的第一反应大概率还是：打开大盘、翻日志、对时间线。但今年 8 月，可观测性厂商们集体想把这一步提前——在你睁开眼之前，AI 已经把第一轮排查做完，把带证据的结论推到你手机上。
8 月 10 日，InfoQ 用一篇报道给这件事定了调：可观测性厂商的 AI 大战开始，Grafana、Datadog、Splunk 全部入场。知乎注意，这不是发布会上的概念：Datadog 的 AI 排查 Agent「Bits」已经正式 GA 商用，还改了个更克制的名字叫 Bits Investigation。知乎
Grafana 13.1 的版本说明里，「Grafana Assistant 扩展」被列为头部亮点。知乎Splunk 被思科收编后，也在把 AI Triage Agent 往安全运维场景里推。知乎
问题来了：AIOps 喊了十几年都没真正普及，这次凭什么值得当真？以及更实在的——这玩意儿用起来，要花多少钱？
这次集体入场，和以前的 AIOps 故事不一样
AIOps 当年没跑通，卡在三件事上：数据散在各套系统里串不起来，模型给结论却解释不了过程，用得越多越没人信。早在 2016 年 Gartner 提出 AIOps 之后，各大厂商便陆续推出智能告警、异常检测、根因分析等产品，但直到今天，真正能在企业里稳定落地的场景依然有限。知乎
这两年大模型把「可解释性」这一条补上了——它能用工程师听得懂的话把推理过程讲出来；OpenTelemetry 又把 Metrics、Logs、Traces 统一到一套标准上，AI 第一次能看到「同一件事」的完整上下文。知乎
但真正让厂商集体冲进来的，是商业信号：Datadog 已经把 AI 调查做成了独立计费项。排障能单独收钱，排障就不再是平台的附赠功能，而是一条新产品线。这边刚验证完有人买单，那边 Grafana 和 Splunk 自然坐不住。
三家卖的其实是三种东西，先分清再谈值不值
同样是「AI 排障」，实际上分三个层级，含金量完全不同。
第一层，问答助手：帮你写查询语句、总结日志、解释报错。Grafana Assistant 目前的重心更偏这一层，最近又在推 watchers 自动化工作流，想往「自动处理」方向走，好用，但现阶段省的主要还是敲键盘的时间，不是半夜起床的时间。
第二层，自动调查：告警一响，Agent 自动开工，几分钟后给出带证据引用的调查结论。Datadog 的 Bits Investigation 是这一层的代表，官方说在超过 2000 个客户环境里测试过、累计跑过数万次调查。知乎
第三层，自动修复闭环：查完直接生成修复代码、开 PR、盯着 CI 迭代。Datadog 的 Dev Agent 已经在 Error Tracking 场景 GA，「观测→调查→修复→验证」的链路雏形已经出来了。
Bits 的技术路线值得多说一句，因为它踩过大家都想踩的坑。早期版本也是「把所有数据一股脑丢给大模型总结」：一次 Kafka 消费延迟的排查里，Agent 跨日志、链路、指标发了 12 次工具调用，结果全塞给模型——输入 token 爆炸不说，模型还被那些「看起来可疑但和根因无关」的信号带偏了。知乎
后来改成假设树架构：先形成多个假设，再用有针对性的查询逐个验证或推翻，有证据的分支深挖，没证据的直接剪枝，一次调查大概 3 到 4 分钟收敛。知乎
还有个容易被忽略的功能：bits.md。你可以把团队自己的排障知识写进这个 Markdown 文件，Agent 调查时会参考——说白了就是 SRE 版的 CLAUDE.md。知乎好处是排障知识可版本化、可评审、可继承；代价也很直接，这些知识沉淀在谁家平台，你就被锚在谁家平台。
国内厂商也在跟：观测云上线了 AI Agent 可观测平台，把会话、Trace、模型调用和风险事件放进同一个视角分析。观测云阿里云今年夏天把「LLM 应用监控」升级成了「AI Agent 可观测」并推出 AgentLoop 平台；腾讯云 CLS 则用 5-Agent 架构喊出「故障定位从 30 分钟降到秒级」。知乎国内叙事的重心明显不在功能本身，而在合规和数据不出境。
算一笔账：一次调查 25 到 30 美元，账单会自己长
这是全文最该认真看的一段。Bits Investigation 走 Datadog 的 AI Credits 计费：调查不出结论不收钱；年付每月 500 美元含 20 次结论性调查，月付每月 600 美元，折算下来一次大约 25 到 30 美元。知乎
单次看不贵，但账单会跟着告警量长。按一个中等规模微服务环境的常见水位算：一天 30 个告警，开启自动调查、七成能出结论，一个月就是 600 多次结论性调查，按挂牌价就是每月一万五到一万八美元——一年二十万美元上下，而这还是叠在已有的主机、APM、日志账单之上的新增项。知乎有竞品（Metoro、Better Stack、Groundcover）专门逮着这一点打：告警量恰恰是你最难控制的变量，它直接决定账单，成本根本不可预测。
换回来的是什么？官方口径是故障恢复时间缩短 90% 到 95%，这个数字目前只有厂商自己的测试背书，没有第三方验证。拿它对比一线城市一个轮岗 on-call 工程师的人力成本，这笔账是可能算平的——前提是那些「凌晨两点的第一轮排查」真的被接住了。有意思的是，Datadog 自己的界面上还挂着一行常驻提示：「AI 生成的回答可能不准确，请核实重要信息。」一边宣传九成以上的 MTTR 缩减，一边提醒你别全信，这就是 AI 排障产品现阶段的真实状态。知乎
一线怎么用？社区比厂商 PPT 清醒得多
知乎上一位工程师分享了自己的用法：排障时别急着贴日志，先用三句话说清现象——什么时候开始、改了什么、什么表现，然后让 AI 把原因「从最不可能到最可能」列出来。知乎他靠这个办法查出过一个压根没想到的配置项。他的总结很实在：列出来的原因一半是废话，但你要的本来不是答案，是让它帮你把盲区翻一遍。
另一位搭过排障工作流的工程师说得更直接：AI 只看一段报错就下结论，那不叫排障，叫猜。知乎可用的流程必须沿证据链走——时间线、日志、Trace、监控、发布记录、配置变更、代码 Diff，每个假设都要标注证据强弱和验证方法，止血方案和长期修复必须分开。
还有那个扎心的知乎问题——「AIOps 为什么喊了十几年，直到大模型时代依然没有真正普及？」答案区的结论也很克制：当前大多数团队对 AI 的定位仍然是智能助手，AI 出分析，人按最后的按钮。知乎
把这几条放在一起，你就能理解一个细节：Datadog 把「Bits AI SRE」改名成「Bits Investigation」，不是随手改的——当 Agent 真正进入生产，连厂商自己都开始回避「替代某个岗位」的说法。知乎
值不值得买？按你的处境对号入座
适合认真考虑的：已经是 Datadog 深度用户，告警量大、on-call 轮值痛苦，数据已经用 OpenTelemetry 统一过。你的痛是真的，入口是现成的，边际成本可控。
建议再等等的：小团队一天十几个告警，人看比 AI 便宜；自建 Grafana、SkyWalking 的用户，这波 AI 功能暂时主要在商业版平台里，跟你关系不大；还有日志、链路、监控至今各存各处的团队——AI 只会放大混乱，不会替你治理数据。
决定要开的，先立三条规矩。第一，给预算封顶：按调查次数计费的模式会随告警量失控，先和财务约定月度上限。第二，权限只给只读：查、看、分析都可以，重启、回滚、切流量这类写操作必须人工审批，这是底线不是选项。第三，人保留终审权：AI 交出来的是「带证据的假设列表」，不是判决书。
想低成本试水的，有条现成路线：挑一类高频低危的告警（磁盘水位、证书过期这种），只对它开自动调查，跑两周，把 AI 结论和历史人工排查的命中率、耗时做个对比。数据站得住再扩面，站不住就默默关掉，谁也不丢人。
接下来值得盯的三个信号
一是 bits.md 和调查 API 什么时候 GA。这决定你能不能用自己团队的排障经验去「调教」它，也决定锁定有多深。
二是 Grafana 的 AI 功能怎么收费。Grafana Cloud 用户对「加钱项还是打包送」极其敏感，这一步会直接影响整个市场的定价锚。
三是国内厂商的实际落地案例。阿里云 AgentLoop 从真实 Trace 里自动挖掘经验、再注回 Agent 运行时的思路已经亮出来了，观测云的观测 AI 智能体「带你」也在主打与本地 Coding Agent 协作排障。知乎对有信创和数据出境约束的团队来说，国内路线可能是唯一可选项，值得持续观察。
一句话收尾：这轮 AI 排障大战，卖的不是「替代 on-call」，是「把凌晨告警的第一步提前」。值不值得掏钱，就看一笔账——你愿意为告警量付的账单，和 on-call 工程师的睡眠，哪个更贵。先算清楚，再开钱包。
