一句话看懂：New Relic 首席技术战略官 Nic Benders 在播客中指出，传统以仪表盘和告警为核心的可观测性（Observability）已经走到尽头，行业正从“让你看见问题”转向 AI 驱动的智能系统，能自动提炼信号甚至提前干预。与此同时，当大语言模型（LLM）融入系统后，监控的不再只是服务挂了没，还要防范模型“胡言乱语”。
事件核心：发生了什么
在播客中，Nic Benders 回顾了 New Relic 及整个可观测性行业的两次跃迁：从早期的代码插桩（Instrumentation）时代，到 2013-2014 年推出的 NRDB 数据平台时代，如今进入了“智能（Intelligence）时代”。核心变化在于，用户不再需要手动写查询或搭仪表盘，而是由系统直接告诉用户“你该关注什么”。Benders 强调，这并非只靠 AI，而是统计方法、机器学习与传统神经网络（如调用 OpenAI、Gemini、Anthropic）的结合。先用统计手段从 PB 级数据中筛选出异常，再将可疑片段交给 LLM 进行总结和根因分析，才是当前落地的技术路线。
为什么重要
这一演进直击了运维行业长期未能解决的“告警疲劳”问题。Benders 引用同事 Aaron Bento 的观点：增加告警并不会提升响应能力，反而训练出“先等等看它是否自动恢复”的消极反应，噪音越多，响应越慢。而 AI 的真正价值不是制造更多仪表盘，而是替代人类完成筛选、过滤与预判——系统可以在检测到异常后先判断是否“有趣”、能否自动处理（如回滚），再决定是否通知人类。这意味着可观测性的产品形态将从“工具”变为“理解系统”，甚至从“发现问题”走向“自动行动”。
对用户/开发者/创作者的影响
对一线开发和运维工程师而言，最直接的影响是告别每天手动调整数百张图表与告警规则。未来搭建可观测系统时，只需定义“什么代表用户体验真实状态”，AI 会负责盯防。对于企业采购者，这意味着需要重新评估工具：Kubernetes 集群节点数已增至数百个，Pod 数量以数千计，纯粹靠人力加规则已不可行。对于 AI 应用开发者，Benders 指出，LLM 作为“决策层”调用统计与机器学习工具这套架构，会成为主流——数据量必须先从 10 亿级降到万级，AI 才能真正起作用。同时，监控模型“胡说”的难度不亚于监控服务宕机，这将是 AI 产品上线后必须解决的新合规与应用风险。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
- 产品落地进度：New Relic 的“Action 时代”愿景是否会在 2024-2025 年产品更新中落地，例如自动回滚或毫秒级响应。
- 成本与定价：大规模调用 LLM 进行异常分析的成本目前仍然高昂，如何向客户收费或优化推理成本，将影响竞品跟进速度。
- 开发者生态：Benders 提及的“交互式提问”向“系统主动告知”的转变，是否意味着传统可观测性工具（如 Datadog、Grafana）将面临从查询语言到产品交互逻辑的全面重写。
来源：InfoQ CN
