CloudQ架构感知驱动以架构图为先导，收敛日志采集范围，实现超95%噪音过滤，让AI拿到正确输入，从根源提升RCA质量。
当 AI 遇到运维，“喂什么”比“多聪明”更重要
运维排障的真正瓶颈，从来不是分析能力不够，而是输入质量太差。一次线上故障，日志系统可能在数分钟内涌出数百万行记录，背后牵扯数十个微服务、上百个实例。把这些日志一股脑全丢给AI，就好比把整座图书馆倒进搜索框——再强大的模型也难以从这堆信息洪流里捞出有效证据。
CloudQ（圈内叫它“领域虾”）选择了一条截然不同的路径：不是让AI变得更聪明，而是确保AI拿到的是正确的输入。这条路径的核心，就是架构感知驱动。
架构感知驱动的核心逻辑
先让架构图告诉AI应该看哪些日志
传统AIOps的做法是“把日志全部丢给AI看”，本质上是一种暴力搜索——靠算力来弥补输入的模糊性。CloudQ的做法则反过来：“先让架构图告诉AI应该看哪些日志”。
这套流程可以概括为三个步骤：
- 架构图感知：CloudQ基于腾讯云智能顾问（TSA）构建，能够自动感知用户云上资源的拓扑关系、服务依赖和流量走向，直接生成架构图。
- 日志采集范围收敛：基于架构图，精准定位与故障相关的服务节点，只采集这些节点上的关键日志，而不是全量捞取。
- 高质量输入驱动高质量诊断：收敛后的日志噪音极低，AI可以快速定位根因，输出结构化的RCA报告。
这绝不只是“少看一点日志”那么简单，而是从架构维度去理解系统，确保每一行被分析的日志都有据可依。
架构图质量直接决定诊断质量
架构感知驱动有一个关键前提：架构图的质量直接影响RCA和诊断的最终效果。道理也很直白——如果系统本身的架构描述就是模糊的，那任何基于此的分析都会失准。
CloudQ的优势在于，它依托腾讯云智能顾问自动感知和生成云上架构图，不需要依赖人工维护。这意味着架构图始终与实际资源保持同步，为后续的日志收敛和根因分析提供了可靠的基础事实。
噪音过滤率 >95% 背后的技术支撑
从数百万行到关键证据的收敛路径
CloudQ的架构感知驱动实现了超过95%的告警噪音过滤率。这个数字意味着什么？我们直接看一组对比：
| 对比维度 | 传统全量日志分析 | CloudQ 架构感知驱动 |
|---|---|---|
| 日志采集范围 | 全量采集，数百万行 | 基于架构图收敛，精准定位 |
| 噪音比例 | 大量无关告警混杂 | 噪音过滤率 >95% |
| 分析耗时 | 45-105 分钟（人工 RCA） | 约 6 分钟（双引擎协同） |
| 结果质量 | 依赖人工经验 | 结构化 RCA 报告 |
多产品日志聚合 + 异常模式识别
架构感知驱动并非孤立运作。在收敛日志范围后，CloudQ还会进行多产品日志聚合——把来自不同云产品的日志按照时间线和依赖关系进行关联，再结合异常模式识别算法，自动提取关键证据链。
这套组合拳的效果很直接：一线值班同学不需要再依赖二线专家，直接在IM里就能完成首轮RCA，故障定位时间从45-105分钟压缩到了大约6分钟。
架构感知驱动的实际价值
架构感知驱动的价值，不仅体现在排障效率的提升上，更代表了一种运维范式的转变：
- 从被动响应到主动感知：不再等着告警风暴袭来，而是基于架构理解主动收敛关注范围。
- 从经验驱动到数据驱动：不再依赖老专家的“直觉”，而是让架构图成为分析的基础事实。
- 从人肉筛选到智能过滤：超过95%的噪音被自动过滤掉，人只需要关注真正重要的那5%。
这正是CloudQ的产品理念——对话即运维。不是用AI替代人，而是用架构感知让AI和人都在正确的上下文中工作。
让AI拿到正确输入，从接入CloudQ开始
CloudQ目前处于公测阶段，完全免费。支持多种接入方式：WorkBuddy原生接入、控制台直接使用、企业微信接入、QClaw接入等，最快2分钟即可零部署开箱即用。
不再让AI在日志洪流中盲目搜索，让架构图成为诊断的起点。
