From insight to action: The next phase of agentic cloud operations
TL;DR · AI 摘要
微软提出基于AI代理的云运维新范式，通过实时洞察驱动行动，提升云环境的性能、成本和可靠性。
核心要点
- 79%的组织已在生产环境中部署代理AI。
- 治理必须嵌入到云运维流程中，确保所有行动符合政策和控制。
- 可观测性是云运维中的智能层，用于持续解读信号并指导决策。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Agentic Cloud Operations
- 定义与机制
- AI代理的作用
- 信号驱动行动
- 治理与控制
- 嵌入式治理
- 政策与控制
- 可观测性
- 智能层
- 信号解读与决策
金句 / Highlights
值得收藏与分享的关键句。
According to [recent research conducted with Material](https://aka.ms/AgenticOps-MaterialWhitepaper), 79% of organizations are already deploying agentic AI in production, reflecting how quickly this m
Governance needs to be built directly into how cloud operations run. Observability provides a continuous stream of signals and context, but those signals only become useful when they can drive action
As cloud environments expand, telemetry and alerts have outpaced what teams can manage through manual processes alone.
标题：从洞察到行动：智能云运维的下一步
URL来源：https://azure.microsoft.com/en-us/blog/from-insight-to-action-the-next-phase-of-agentic-cloud-operations/
发布时间：2026-06-23T15:45:00+00:00
Markdown内容： 如果您的云环境能够实时帮助您从洞察到行动，并且系统已经在处理下一组决策，那会怎样？
随着应用程序在混合基础设施、微服务和AI工作负载中扩展，领先的组织正在向一种运营模式转变，即洞察直接转化为行动，作为持续进行、由系统驱动的循环的一部分。
这就是智能云运维的作用所在。智能云运维是一种方法，其中由用户意图引导的AI代理持续观察、推理，并在整个云生命周期中协助执行操作。信号不会被视为孤立事件，而是作为随时间演变的协调工作流的输入，帮助在系统运行过程中提升性能、成本和可靠性。
根据与Material进行的最近研究，79%的组织已经将智能AI部署到生产环境中，这反映了这种模型在多快成为云环境运营方式的一部分。
治理连接洞察与行动
要运营这种模型，治理必须直接构建到云运维的运行方式中。可观测性提供了一条连续的信号和上下文流，但这些信号只有在能够以受控且一致的方式驱动行动时才变得有用。随着代理在检测、调查和修复方面承担更多责任，每项行动都应设计为遵循人类定义的策略、尊重访问控制，并与组织意图保持一致。
在Microsoft Build上，这成为了一个关键需求。开发人员和IT需要将治理嵌入到连接可观测性与优化的相同工作流中。随着洞察触发行动，这些行动在所有环境中都应受到约束、可审计且可重复。
我们对智能运维的愿景包括一个共享的运营模型，将可观测性与优化结合在一起，使洞察直接转化为行动，每项行动都由内置的策略和控制进行管理，且人类始终参与其中。在Azure中，我们正在构建一个系统，使可观测性、治理和优化协同工作。信号被持续解读，行动在策略边界内执行，结果反馈到系统中以指导下一步决策。
可观测性是智能层
随着云环境的扩展，遥测数据和警报已经超出了团队仅通过手动流程所能管理的范围。工程师经常花费大量时间关联信号、验证问题并理解发生了什么变化。
在智能代理模型中，可观测性旨在提供持续的洞察。它为人工智能代理提供所需的上下文，以识别有意义的信号、理解环境中的依赖关系，并尽早揭示相关见解。可观测性能够以更高的清晰度和及时性回答“发生了什么”和“为什么”。
从信号到解决
在此基础上，Azure Copilot 可观测性代理现已正式发布，将这种智能融入到日常运营中。可观测性代理可以持续分析环境中的遥测数据，包括应用程序拓扑、依赖关系和基线行为。当问题开始出现时，它可以识别模式、开始调查，并在团队开始分析之前提供上下文信息。
智能代理的可观测性改变了实际中处理事件的方式。问题可以更早地被发现，相关信号已经分组以减少噪音。调查可以自动开始，追踪服务之间的依赖关系以帮助识别可能的根本原因。团队将获得清晰、有上下文的建议，以支持更快的决策。
可观测性还扩展到人工智能工作负载，因此代理、服务和基础设施可以一起查看。其结果有助于实现从检测到理解再到行动的更一致的流程，过程中所需的人工操作更少。
最大的价值是速度……可观测性代理帮助我们更快地解决问题并减少运营开销……我们每月估计节省了250个小时的工程时间。
——Narmada Krishnaswamy，KPMG 审计应用支持和运营主管
可观测性提供了对当前情况更清晰的视图。它也为下一步奠定了基础。可观测性回答了云计算运营中最紧迫的问题：“发生了什么”和“为什么”？但对于大规模运营的组织来说，这只是一个开始。
优化成为持续的过程
当可观测性提供一致的实时上下文时，它可以用来指导持续的改进。
微软将优化定义为在成本、性能、弹性和可持续性方面持续改进云工作负载的实践。在智能代理模型中，优化成为日常工作流程的一部分，而不是单独的、周期性的活动。
在 FinOps X 2026 上，许多组织分享了人工智能引入新的成本动态的情况。使用模式更加多变、难以预测，并且通常与工作负载的快速变化相关。这使得依赖周期性审查和传统成本管理方法变得更加困难。优化必须更接近决策发生的地方进行。
从仪表板到连接的工作流程
随着优化的集成程度提高，工作方式也随之演变。团队不再需要在工具和仪表板之间切换，而是可以通过引导式工作流程与系统进行交互。代理在资源创建之前帮助估算成本，自动应用治理护栏，监控使用模式，并更早地揭示潜在问题。
例如，在开发过程中，可以在部署之前就揭示成本影响，并提供相关的政策指导。当系统运行时，可以监控使用模式，并通过支持的上下文进行调查和分析。当发现改进机会时，代理可以帮助确定优先级并指导下一步操作。这种方法有助于更一致地将成本、性能和效率的考虑因素融入到工作流程中。
跨工具和环境的优化智能
为了支持这一模式，微软正在将成本和使用智能从 Azure 门户扩展到团队已经使用的工具中。
现在处于公开预览阶段的 Azure 资源管理器 MCP 服务器，使 AI 代理能够通过标准化接口访问成本和使用数据。这使得成本洞察可以在开发环境中、协作者工具和自定义工作流程中显示，而无需进行自定义集成。
因此，开发人员可以更加清楚地了解成本影响，运维团队可以通过自然语言交互进行调查和优化。工作流程可以在团队和环境中更加一致地应用。
诸如估算、调查和优化等多步骤过程也可以组织成可重复使用的流程，帮助团队扩展这些实践。
在闭环系统中整合所有内容
可观测性和优化正变得越来越紧密相连。可观测性提供持续的上下文。智能代理 AI 帮助解释信号并支持操作。优化则通过治理和政策的指导，反映这些操作随时间推移的成果。这创建了一个系统，其中洞察可以更直接地指导下一步操作，每个操作都为持续改进做出贡献。随着时间的推移，这有助于在环境和团队之间实现更加一致的操作。
在此模式下，进展来自于更好地上下文和更一致的操作。微软通过 Azure Copilot 和相关功能，帮助组织采用这种方法。团队可以更高效地解决问题，持续应用优化，并内置治理功能进行操作。
开始使用 Azure
要了解这些功能如何在实践中整合在一起，您可以在您的环境中进行探索和尝试：
- Azure Copilot
- 一个 AI 助手，帮助将操作信号转换为跨云环境的指导性操作。
- Azure Copilot 可观测性代理（已发布）
- 通过持续分析和辅助调查，识别根本原因并加速问题解决。
- Azure FinOps MCP 服务器（公开预览）
- 通过开放接口将成本和使用智能连接到代理工作流程、开发工具和自定义环境。