基于 Agent Skill 的自动化问题诊断框架
最近在小规模实践一个问题：大模型时代，如何做生产环境的自动问题分析诊断。本文是一个阶段性思考，因为裁员的问题, 只能先记录下来。
前提是生产环境的数据收集、分析、整理、告警等基础设施已经比较完善。在此基础上，用 Agent 代理人工分析诊断问题的过程，并持续优化和迭代诊断能力。
终极信念当然是 AI 自动运维、排除 human-in-the-loop。但现阶段这仍是理想，尤其在生产环境：一次误操作的风险，可能比诊断不出来更大。因此，当前更务实的方式是让 Agent 多数部署在本地 corp 环境，而不是直接放进生产环境。
核心设计理念
- 大模型具备通用分析诊断能力，尤其对开源产品和通用技术栈。
- 公司内部相对静态的信息，通过 RAG 或 skill 获取，并持续添加、迭代更新。
- 公司内部相对动态的信息，由 skill 调用公司 API 或 MCP 工具获取，主要对接 metrics、logs、traces、topology、config 等。
基本流程可以概括为：
告警 -> Agent -> Skill/RAG -> API/MCP -> metrics/logs/traces/topology/config
工程上会涉及 Agent 编排、Memory 共享、skill 层次结构与更新、RAG 文档迭代，以及 API/MCP 的权限和认证。
本质：把人的诊断过程迁移给 Agent
使用 Agent + Skill，本质上是把原来人做的事情转成 Agent 要做的事情：
- 人的判断分析，改成大模型的分析判断；
- 人的信息收集整理，改成 Agent 的收集整理，并且可以并行、更快；
- 大模型不知道的内部静态信息，通过 RAG 或 skill 中的信息获取；
- 大模型不知道的内部动态信息，通过 skill 调用的 API 或 MCP 工具获取。
人做得慢，思维也慢；Agent 可以大规模并行收集、分析、验证，这是核心优势。
主要难点
第一，人喜欢“一图胜千言”，快速浏览一批 dashboard 就能发现可疑异常点。但 Agent 不擅长读 metrics 图表；即使喂原始数据，也需要借助其他工具分析。目前缺少现成的数据 insights 工具，更谈不上并行看多图的效率。
第二，要把原先给人看的成熟 dashboard 转成 Agent 能理解的形式。短文本问题不大，但图表需要很大改动。
第三，授权和认证。过去的登录、认证、授权都以人为基础；Agent 可以继承人的身份，但人的 UI 双因素认证与 API/MCP 认证完全不同。
第四，操作边界。仅在 skill 里约束不够，边界要清晰，并且要从 API 和 MCP 层面做强制鉴权和授权。
事后记录与 Skill 迭代
人通常只记录关键结论，并主动漏掉走弯路的部分；事情解决后，也缺少动力记录过程。Agent 可以把整个过程记录下来，并在后续分析中使用。
事后整理的 trajectory 可能需要当时的实时数据。这些数据要同步保留，供以后重跑、验证 skill 能力。
实施上，需要一个地方保留有用的 skill，并支持持续升级迭代；同时按 skill 的 scope 做分层、分类整理，便于管理和调用。至于 Agent 的并行能力，目前 Claude 和 OpenCode 提供的已在一定程度上够用。
现阶段的核心不是让大模型直接替代人，而是把人的诊断过程拆成可复用的 skill 和可强制授权的工具调用，先做一个可审计、可回退、可迭代的诊断助手。
