引言：我们是阿里云日志服务 SLS 团队。SLS 是阿里云上的一站式日志与可观测平台，每天承载着海量企业日志的采集、存储、查询、分析与投递。过去十几年里，写入 LogStore 的日志一直都是不可变的。但最近，我们给它加上了对已有数据的原生 update 和 delete 能力。今天想借这篇文章，聊聊我们为什么要做这件事，以及背后...

搭建一个能够对话的 Agent 并不复杂。进入真实业务场景后，Agent 需要处理的是实时数据查询、内部接口调用、SOP 排查、外部系统操作等任务，这些能力不能只依赖模型本身，必须通过工具体系补齐。

你的 Electron 应用上线了。用户在用，业务在跑，一切看起来挺好——直到某天，客服转来一条用户反馈：“应用突然闪退了，什么都没保存。”

摘要：在 AI 驱动的数据应用场景中，企业越来越需要一套同时支撑实时消费、历史沉淀与多引擎复用的数据底座。Kafka、Iceberg 开放表格式与对象存储的组合，正成为流数据入湖的重要方向。但传统依赖 Flink、Spark 等外部 ETL 作业的方式，也带来了链路长、系统边界多、运维复杂等问题。本文围绕“零 ETL”这一趋势，讨论流...

AI 编码能力的上限取决于对你项目的理解。再强的模型，如果拿不到你项目的真实知识——架构怎么设计、为什么这么改、团队的约定是什么——也只能给出通用答案，而非真正贴合你项目的帮助。

当我们谈 Agent 进化的时候，通常涵盖两类场景。一种是员工办公场景，通过 Coding Agent 或通用 Agent 的记忆、协作风格、用户画像等能力，让 Agent 越用越聪明、越用越懂用户。另一种是企业的业务场景，比如企业对外提供的客服 Agent，对内提供智能分析的 Data Agent。关于前者，Anthropic 发布的 Economic Index 给过...

按以往的剧本，接下来是这样的：被叫醒、登跳板机、翻 SLS 日志、对照 Runbook、判断到底是消费者挂了还是下游 RT 飙了、必要时拉群、必要时升级到二线、最后写一份故障复盘。一整套下来，MTTR（平均故障恢复时间，Mean Time To Recovery）轻则一两个小时，重则半个晚上。

在云原生与微服务架构下，一套生产系统往往横跨 Go、Java、Python、Node.js 等多种语言运行时，部署形态又散落在容器、Kubernetes、Serverless 之间。要在这样的异构环境里建立统一的可观测性，传统做法是为每种语言挂载侵入式 Agent 或 SDK——改代码、装包、对齐版本、重新发布，每接入一个新服务都是一次工程项目。在快...

单个 Agent 再强，也只是一个人在战斗。真正的生产力倍增，来自多个专职 Agent 的协同——而 AgentRun 让这件事变得像调一个 API 一样简单。

阿里云云监控 CLI（aliyun cms2）把 CMS（Cloud Monitor Service）2.0 控制台中的接入、配置、查询、告警、事件等能力统一沉淀为命令行入口；CMS Agent Skill 则把这些命令组织成面向 AI Agent 的业务工作流。

Agent = Model + Harness，这个公式因为非常简洁的概括了 Agent、Model、Harness 三者之间的关系，并且对 Agent 质量的提升给出了清晰的投入方向，因此获得了市场的共识。

当下还在古法手搓代码的开发者都是在奔着非遗传承人的目标去了，绝大多数都已经用上了 Claude Code、Cursor 这类 Coding Agent。方向对了，但场景不同，解法也不同 —— 开发者自己在本地装个 AI 助手提效，和在组织内部搭起一套 AI 驱动的研发协作体系，是完全两个维度的事情。前者已经有成熟的产品了，后者才刚刚开始。...

Anthropic 发布了 Claude Fable 5，比跑分更值得拆解的是它的运行时行为，当某些请求触发了安全边界，用户的请求将会被切换到 Opus4.8。

作者：张文浩当大模型调用从“尝鲜”走向“规模化生产”，成本治理就不再是一道选答题，而是必答题。为什么 AI 时代需要 FinOps？随着企业 AI 应用进入深水区，越来越多的团队开始面对一个共同的难题：谁在用模型？用了多少 Token？哪个业务线在烧钱？哪个消费者在“超额跑分”？月底账单出来才发现预算爆了，已经晚了。传统的...

近日，Agentic AICon —— 智能体基础设施与 AgentOps 专场圆满落幕。本场活动吸引了 180+ 名技术从业者参与，现场聚焦 Agent 规模化落地的基础设施层，深度分享了 Agent Infra、HiClaw、AgentRun、AgentLoop、STAROps、RocketMQ 等相关议题，系统拆解了企业 Agent 从构建部署、规模化运行、观测评估到智能运维的全生命周...

2026 年 5 月，Google Cloud DORA 团队发布了《ROI of AI-Assisted Software Development》。与前一年的《DORA Accelerate State of DevOps Report 2025》侧重个体采纳率不同，这份报告直接面向一个组织级问题：

这是 Langchain 提出过的观点，强调了 Harness 在构建 Agent 过程中的重要性。从事过后端开发、设计过分布式系统的朋友，肯对对胶水代码、中间件很熟悉，展开本文正文前，我们来结合两个熟悉的概念来进一步加深理解 Harness。

关于智能运维，在讨论“AI 会替代多少运维工程师”之外，企业更关心真实环境下的落地问题怎么解决，比如跨云环境下数据怎么打通，复杂系统的告警噪声怎么治理，运维团队的角色到底在往哪个方向变。我是宋鸣，吉利汽车用户数据中心数据质量部长。伴随吉利业务的快速发展与整合，我们的系统规模和复杂度都在指数级增长，也让...

随着云原生架构的普及和 AI 应用的快速增长，企业需要管理的应用类型日益丰富——从传统 Java 微服务到 AI Agent，从 Golang 后端到各类 AI 网关组件。与此同时，可观测平台的接入配置涉及一系列参数和步骤，对运维效率提出了更高要求。

随着 AI 模型能力越来越强、Agent 框架越来越完善，Agent 正从一问一答的答疑助手，走向可以自主执行任务的个人助手，可以代替人做自动化的工作。定时任务是 Agent 自主工作的主要方式，最近流行的通用智能体（比如 OpenClaw）都内置了定时任务功能。

本月可观测热文回顾文章一览：让 Coding Agent 从黑盒到透明：阿里云 Agent 观测审计数据采集实践重磅发布丨云监控 AI Agent 可观测，企业生产级 Agent 首选全域观测平台阿里云正式发布 RCA Benchmark，业界首个面向 Agentic Ops 的根因分析开源基准体系让智能无界协作：UModel 正式开源，发起通用语义标准倡议阿里云 ST...

AgentScope 是一款开源的智能体应用开发框架，帮助开发者完成从大模型到智能体的构建与部署。继 Python、TypeScript 版本相继升级到 2.0 之后，AgentScope Java 2.0 正式发布——这是 AgentScope 多语言体系迈向 JVM 生态与企业级生产场景的重要一步**。

4 个多月前，Uber 开始向旗下约 5000 名工程师全面推广 Claude Code，该工具迅速在工程师群体中引发热潮，但 4 个月后使用量远超公司财务模型的预期，烧光了全年的 AI 编程预算 [ 1] 。这一案例引发了的社区的连锁讨论，一是控制 Token 消耗的最佳实践，二是如何量化商业价值。由此可见，鼓励开发者使用 AI 提效、加速产...

点击此处，了解微服务引擎 MSE 产品详情。

2025 年，AI Agent 从实验室走向规模化生产落地。从开发者日常使用的代码助手到企业服务场景下的智能客服，到复杂度持续升级的多智能体协同系统，AI Agent 正在以前所未有的速度重塑软件开发方式和业务运转流程。

如何安全可控地部署运行？如何实现极致弹性与会话级隔离？多智能体之间如何高效协作与统一管控？海量 AI 流量如何接入治理？Agent 的质量与稳定性又该如何持续度量和优化？

从 Claude Code、OpenClaw 到各种 Agent，从 MCP 生态到 AgentSpec 标准，AI Agent 正在以前所未有的速度进入日常工作。它们已经能写代码、排障、读文档、执行命令——但这只是第一步。

AI Agent 正加速从实验走向规模化生产，行业进入高速增长期：据 Multimodal.dev 统计，2025年全球 AI Agent 市场规模已达 792 亿美元；Arcade.dev 调研显示，超过 66% 的落地项目已采用更复杂的 Multi-Agent 协作架构；Gartner 更是预测，到 2026 年将有 40% 的企业应用内嵌 AI Agent 能力 [ 1] 。

作者：林曜、穹谷混沌工程为什么难落地？每个 SRE 团队都知道混沌工程的价值——在可控条件下主动注入故障，验证系统韧性，防患于未然。但现实是，绝大多数团队的故障演练停留在“年度任务”而非“日常习惯”。原因很简单：门槛太高，流程太碎。一次完整演练五步：定位目标 → 拼装命令 → 确认安全 → 验证效果 → 善后清理。每一...

在 AgentScope Java 1.1.0 版本 [ 1] 中，我们把 QwenPaw、OpenClaw、Coding Agent 那套「工作区即真理 + 自我进化」的体验，沉淀成了 HarnessAgent + AbstractFilesystem + 内置压缩与双层记忆的Harness Engineering 工程基础设施。当时我们留下了一个承诺：写一套 Agent 逻辑，按需切换形态，从个人本机一路扩到企业分...