一、解决方案简介

擎创科技基于大模型RAG（检索增强生成）技术推出的金融运维告警解决方案，旨在通过人工智能与行业场景的深度融合，解决金融行业在多云时代下面临的告警风暴、故障定位效率低下等核心痛点。该方案以RAG技术为核心，结合擎创科技在金融运维领域多年的实践经验，构建了一个“动态知识库+智能分析引擎”的闭环体系，实现了告警处理从被动响应到主动预测的跨越式升级。整体方案架构如下：

1.FAQ知识维护以及大模型辅助生成知识

在大模型匹配时，如果没有匹配结果，相应位置为空，可直接点击新增知识，调用知识库平台API实现增加、编辑知识条目。当无匹配结果时，可以调用大模型自身运维领域知识进行智能问答包括命令生成，辅助生成知识，完善知识库FAQ。

2.告警问题归纳总结

在创建知识时，通过大模型提取告警内容进行总结，生成知识“标题”，可以更加精准描述当前问题，后续匹配时根据“标题”进行精准匹配。

3.大模型匹配和问答

在大模型匹配中，首先进行精准匹配，通过对告警内容进行归纳总结进行匹配。重点保证知识库中已经具备的能够被精准检索出来。如果在精准匹配中没有匹配到相关知识条目，则在大模型问答中可以检索语义相近的知识进行应答，可以提供相关的知识和应急预案。

4.闭环反馈评分

在大模型问答中，提供问答准确性评估反馈机制，可以针对本次回答选择分数（1-5分），当评分不足5分时，选择不足原因，当不足原因选择“其它”时，输入具体原因。针对问答结果反馈标注，后续可统计问答准确率统计分析，为大模型调优提供数据基础。

二、应用场景痛点简介

1.告警风暴与无效告警泛滥

《金融科技发展规划（2022-2025年）》明确提出需“提升风险预警和处置能力” 在多云架构和业务复杂化的背景下，金融行业的监控系统每天会产生海量告警信息，其中大部分为重复或低优先级告警。这种告警风暴不仅消耗大量人力物力，还可能导致关键告警被淹没，延误故障处理，直接威胁系统的稳定性和业务的连续性。

2.故障定位效率低下

金融系统的复杂性使得故障根因分析变得异常困难。传统运维依赖人工经验，故障定位耗时长达数小时甚至更久。这种效率低下的问题在多云环境下尤为突出，跨平台的故障排查需要整合不同系统的日志和监控数据，进一步增加了排查难度。

3.资源浪费与成本高企

无效告警和人工处理导致资源浪费，进一步推高了运维成本。此外，传统运维工具缺乏对资源的智能化调度能力，导致硬件和软件资源的利用率低下。

4.私域知识训练不足出现幻答

大模型在回答问题时脱离知识库，依赖自身训练数据生成不准确或不符合实际场景的答案。不仅降低了模型的实用性，还可能对金融企业的运维决策产生误导，甚至引发严重的业务风险。

三、解决方案亮点介绍

1.构建运维告警知识全生命管理

通过实时采集多云环境中的告警数据（如日志、监控指标、性能异常等），系统自动触发知识管理流程。通过大模型对告警数据进行深度分析，提取关键特征（如错误码模式、资源瓶颈规律），并与历史案例库进行关联。通过自然语言处理（NLP）技术，将非结构化工单记录转化为结构化知识条目，存入动态知识库。

2.引用RAG技术实现运维决策辅助

擎创科技采用RAG（检索增强生成）技术，将企业私域知识与大模型的通用能力结合，实现精准的运维决策支持。当收到告警时，RAG引擎首先从知识库中检索相似案例（如“数据库锁表导致交易延迟”），提取关键信息，再驱动大模型生成场景化建议。 并在每次人工修正或新故障处理完成后，自动更新知识库，确保模型持续适应业务变化。

3.整合拓扑关系快速完成根因定位

将CMDB的拓扑数据与大模型分析能力结合，实现跨层级的故障根因定位。系统自动解析CMDB中的服务依赖关系，构建可视化拓扑图谱。当某一节点触发告警时，大模型结合拓扑数据，优先排查上游依赖项。支持自动识别云原生环境中的动态扩缩容节点，实时更新拓扑关系。

4.最大限度复用资源减少重复投入

通过深度适配金融企业现有的系统架构，实现大模型、知识库与运维工具的协同复用，避免重复建设。方案支持与主流监控平台、ITSM系统、CMDB无缝对接。基于企业已有的故障案例库、合规文档库直接转化为RAG知识源，减少80%的数据标注工作量。

四、金融行业客户名单

某上市证券公司、某头部商业银行。

五、客户评价

通过方案的实施关键告警的识别准确率大幅提升，有效减少了无效告警带来的干扰，从而将资源集中在重要的业务恢复和优化任务上。故障处理方面，平均修复时间显著缩短，且业务中断时长也大幅下降。该方案还帮助我司实现了对大部分常见故障的自动化处理能力，有效降低了人力成本，并通过降低系统稳定性问题带来的潜在经济损失，显著提升了客户满意度和运营效率。