故障诊断 Agent能查命令也要知道不能乱改一、诊断 Agent 的边界比能力更重要故障诊断 Agent 可以自动查指标、看日志、执行kubectl、分析变更和生成排障建议。它能大幅节省值班时间但也可能带来新风险误删 Pod、误改配置、泄露日志、执行高危命令。运维场景里Agent 的边界比能力更重要。一个靠谱的诊断 Agent默认应该只读。先收集证据、生成判断、列出下一步命令真正的变更动作需要人工确认。生产系统不是实验沙盒Agent 不能因为模型自信就直接动手。二、执行链路只读诊断和变更动作分开flowchart TD A[故障告警] -- B[Agent 收集证据] B -- C[执行只读命令] C -- D[生成诊断报告] D -- E[建议修复动作] E -- F{是否高风险} F --|是| G[人工确认] F --|否| H[自动低风险处理]只读命令包括查看 Pod、事件、日志、指标、配置和发布记录。高风险命令包括删除 Pod、扩缩容、切流、重启服务、修改 ConfigMap 和执行数据库操作。命令要分级不能让 Agent 自由拼 shell。还要限制作用域。Agent 在处理某个 namespace 的告警时不应该能随便访问全集群敏感资源。RBAC、命令白名单和审计日志是底座。没有权限边界Agent 就是一个会说话的高危脚本。三、命令策略明确允许和拒绝下面是一份简化策略。agent_policy: allow_readonly: - kubectl get - kubectl describe - kubectl logs require_approval: - kubectl rollout restart - kubectl scale deny: - kubectl delete namespace - kubectl exec策略要按命令和参数检查。kubectl delete pod和kubectl delete namespace风险完全不同kubectl exec可能访问敏感文件。白名单不能只看程序名要看子命令、资源类型和 namespace。Agent 输出也要可审计。每条命令的原因、执行时间、结果摘要和关联告警都要记录。排障后复盘时能知道 Agent 查了什么、建议了什么、人确认了什么。四、落地建议先做助手再做自动化诊断 Agent 可以先以助手形态上线自动收集证据生成报告不自动修复。等常见故障模式稳定后再开放低风险动作例如创建工单、通知 owner、重跑失败巡检。高风险修复一直保留人工确认。知识库也要持续维护。Agent 如果引用过期 Runbook会把人带偏。每次故障复盘后应更新诊断步骤和禁用危险建议。AIOps 的质量来自运维知识沉淀不只是模型能力。最后Agent 失败时要优雅退出。查不到日志、权限不足、API 超时都应明确说明而不是编一个结论。运维最怕假的确定性。诊断 Agent 还要支持“只生成命令不执行”。值班人员可以先审查它准备查什么再选择执行。这个模式很适合刚上线阶段既能减少手敲命令的负担又能让团队观察 Agent 的思路是否靠谱。等信任建立后再放开部分只读自动执行。隐私也要考虑。日志中可能有用户信息、token 和内部地址。Agent 把证据发给模型前要脱敏审计日志里也不要保存完整敏感内容。五、总结故障诊断 Agent 的设计重点是权限边界、命令分级、只读优先和审计可追溯。先做证据收集和诊断报告再逐步开放低风险自动化。能查命令很有用知道不能乱改更重要。