智能运维新时代：如何打造你的专属知识库

当今数字化时代，企业运维管理日趋复杂，智能运维知识库成为破局关键。它既承载运维关键信息，助力效率飞升，又引领运维迈向智能化。但构建之路困难重重，与大语言模型结合却优势尽显。接下来，就让我们一同深入探讨智能运维知识库构建过程中的难点、优势以及至关重要的技术路径。

知识库是一个组织或机构集中存储和管理知识及信息的系统或数据库。它是一个结构 化的知识管理工具，用于收集、整理、存储和分享各种类型的知识，如文档、手册、指 南、案例等。知识库旨在帮助人们方便地获取和分享知识，提高工作效率和解决问题的能力。

一、构建运维知识库的难点和优势

构建一个传统知识库包括以下步骤：

①确定知识库的范围和目标；

②收集、整理知识 资料；

③组织知识结构和分类；

④选择合适的知识库工具与平台；

⑤设计用户界面和搜索 功能；

⑥建立知识库维护机制；

⑦进行迭代和持续改进。

在运维领域，运维知识库通常包含与系统运行、管理和维护相关的各类信息。例如， 系统架构和拓扑图、配置文档、操作手册、故障排除指南、备份与恢复策略、性能优化建 议、更新与维护日志、常见问题解答等。这些信息可帮助运维团队理解系统架构、配置及 运行状况，亦可指导处理常见问题与故障。

1.构建运维知识库的难点

（1）知识整理和分类 对大量知识进行组织与分类是一项复杂的任务，需要建立合理的分类标准与体系，以 便用户便捷地获取所需的知识。

（2）知识更新和维护 知识库需定期更新和维护，包括新增知识、更新旧有知识、删除过时知识等，并建立 有效机制，以确保知识的时效性与质量。

（3）用户体验和搜索效果 设计用户友好的界面和搜索功能是关键，需要考虑用户习惯和需求，提供便捷的搜索 和导航功能，确保用户能够快速找到所需的知识。

（4）知识保护和安全 针对某些敏感或内部知识，应充分考虑知识保护与安全问题，建立适当的权限管理与 访问控制机制，确保知识的安全性与保密性。

2.运维知识库与大语言模型结合的优势

将运维知识库与大语言模型结合，可以通过对大规模文本数据的训练，获得强大的语 言理解与生成能力，主要用于自动问答、文本摘要、语义分析等任务。因此，将大语言模 型与知识库结合，相较于传统运维知识库，具有以下几方面优势。

（1）自动化知识提取和分类 大语言模型可以通过对大量文本语料的训练，自动抽取和提取知识。它可以识别文本 中的实体、关系和概念，帮助构建知识库的分类结构和标签。

（2）自动问答和问题解答 基于大语言模型的语言理解和生成能力，可以用于自动回答用户的问题，提供直接的 知识查询和解答。这在运维知识库中可以用于快速定位和获取特定知识点。

（3）文本摘要和知识提炼 大语言模型可以自动进行文本摘要和知识提炼，从大量的文本中提取出关键信息和主 要观点，帮助运维人员快速了解和获取知识。

（4）聚类和关联分析 大语言模型可以对文本进行聚类和关联分析，识别文本之间的相似性和关联性。这可 以用于知识库中的相关推荐和知识关联分析，帮助运维人员发现更多相关的知识。

（5）知识增强和补充 知识库可以结合大语言模型进行知识增强和补充。通过与大语言模型的交互，可以把 模型生成的知识与人工整理的知识相结合，提高运维知识库的覆盖范围和质量。

许多头部企业在运维知识库建设过程中，积累了海量且高质量的运维数据集，涵盖了 运维领域中的多个常见领域，包括信息安全、应用程序、系统架构、软件架构、中间件、 网络、操作系统、基础设施和数据库等。在每个领域的数据集中，还包含多个任务，如运 维知识问答、部署、监控、故障诊断、性能优化、日志分析、脚本编写、备份和恢复等。 在这些高质量运维数据的基础上，结合企业内部的私域运维数据，可帮助企业快速搭建基 于大语言模型的运维知识库，提升运维人员解决运维问题的能力。

二、构建运维知识库的技术路径

1.运维知识库的整体建设方案

运维知识库的建设方案包括以下 4 个步骤，如图 1所示。

图片

图 1 运维知识库的整体建设方案

1）需求分析：明确知识库的目标、范围及受众群体。

2）数据收集：收集和整理企业内外部的文档，包括各种来源的数据。

3）制定运维知识库方案：进行数据预处理，对文档进行拆分和存储，以便大语言模型 更好地理解文档信息；部署大语言模型并协调调度计算资源，充分利用现有资源。

4）知识库的迭代与更新：定期评估和优化运维知识库。

2.文档结构化拆解算法

在构建运维知识库时，大部分的数据都是以文档的形式存在的。常见的文档格式包括 docx、pdf、txt、csv 等，而这些文档数据样式多变、质量参差不齐，怎样处理这些文档是 保障知识库问答效果的关键。为此，需要通过文档结构化拆解的算法，充分识别并理解文 档的语义和结构信息。

通常情况下，选择从标题层级进行精确分割，同时保留文本的上下文和结构信息，这 种方法特别适合处理报告、教程等结构化文档，有助于提升文本向量化的效果。当构建运 维知识库时，面对海量知识，文档结构化拆解算法需要考虑整体上下文和文本内部句子与 短语之间的关系，从而产生更全面的向量表示，捕获文本的更广泛含义和主题，相关的文档拆解步骤如图2所示。

图片

图2 文档拆解步骤

同时，许多企业在实践中发现，通常已部署了自己的知识库系统（如 Wiki、Confluence 等），这类知识库经过多年的积累，沉淀了大量企业内部知识。基于使用习惯、数据安全等 多种因素，企业往往不愿意迁移原有知识库。对此，大语言模型支持对接此类内部知识库， 并对相关结构化文档进行拆解，具体流程如图3所示。

图片

图3 结构化文档的拆解流程

一个完整的运维知识库建设过程包括三个主要流程，分别是构建知识库流程、知识库 问答流程、对接存量知识库流程。

在构建知识库阶段，利用结构化拆分算法对用户上传的各类文档（如 docx、pdf、txt 等） 进行切分与存储，并使用一个 embedding 小模型对拆分后的文档片段进行向量化处理，随 后将信息存储于向量数据库中。

在知识库的问答阶段，对用户输入的问题首先会进行“ Query 增强”处理，利用大语 言模型对用户的问题进行扩充增强，目的是检索到更多的与用户问题相关的文档片段，并 基于结构化拆分算法，查找对应文档片段的上下文信息。在得到充分的文档片段后，还会 经过一个精排模型对文档片段进行筛选排序，过滤一些干扰信息。这样得到的文档片段， 再结合知识库的问答提示词（Prompt）的拼接，去调用大语言模型得到最终的回答返还给 用户。

在对接存量知识库时，利用外部知识库检索接口的特点，对用户输入进行实体识别（使 用 NER 模型），提取其中主要的关键词信息，然后调用存量知识库的检索接口，获取对应的 文档内容。

智能运维知识库的构建意义重大，虽历经构建难点，但融合大语言模型优势，借由合理的整体建设方案与精细的文档结构化拆解算法，让蓝图落地，重塑运维生态，整合知识实现智能交互。展望未来，它将随技术、业务发展持续进化，深化与前沿技术协同，拓展知识边界、预判问题，助力运维人员创新，推动企业数字化发展迈向新高度。

本文摘编于《型驱动的研发效能实》（书号：978711772347)，经机械工业出版社授权发布。

关于作者：

顾黄亮，资深DevOps/研发效能专家，有多年的运维研发经验，专注企业IT数字化转型和落地，致力于企业智慧运维体系的打造。现在就职于某持牌金融机构。中国商联专家智库入库专家、国家互联网数据中心产业技术创新战略联盟智库专家委员会副主任委员、江苏银行业和保险业金融科技专家委员会候选专家、工信部企业数字化转型IOMM委员会特聘专家、中国信通院可信云标准特聘专家、中国信通院低代码/无代码推进中心特聘专家，腾讯云最具价值专家TVP，阿里云最有价值专家MVP。著有畅销书《DevOps权威指南》《企业级DevOps实战案例：持续交付篇》《研发运营一体化（DevOps）能力成熟度模型》和《企业IT运维发展白皮书》核心作者，多个技术峰会演讲嘉宾。

郑清正，金融科技研究中心高级研究员，英国杜伦大学计算机系博士，英国斯旺西大学计算机软件工程硕士，曾任华为技术规划工程师、图像研究工程师。专注研究金融大数据风控、机器视觉等领域。 参与人脸识别、电信CRM、内存数据库等系统开发；发表论文3篇，授权专利3篇。

牛晓玲，DevOps标准工作组组长，DevOps 国际标准编辑人。长期从事开发运维方面的相关研究工作，包括云服务的运维管理系统审查等相关工作。参与编写《云计算服务协议参考框架》《对象存储》《云数据库》《研发运营一体化（DevOps）能力成熟度模型》《Y.3525 Cloud computing-Requirement for cloud service development and operation management 》《云计算运维智能化通用评估方法》等20余项国内标准和国际标准。参与评估DevOps能力成熟度评估超过50个项目，具有丰富的标准编制及评估测试经验。

车昕，中国信通院云计算与大数据研究所政企数字化转型部副主任，主要从事企业数字化转型成熟度模型IOMM、可信数字化服务、数字基础设施一体化云平台、中台系列、低/无代码、组装式、安全生产、智慧运营等领域技术研究和转型咨询规划，制定相关标准、开展评估测试、组织技术实践交流等工作。