← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 03: 用白话询问可观测性数据

演讲者: Wu Sheng

场次: 03

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

AWS Hong Kong Summit 2026 · Developer Lounge 精华回顾 · 第 3 / 6 篇

AWS Magazine · 维多利亚港现场报道


港湾灯火、高资本与高科技:走进 Developer Lounge

俯瞰阳光洒落的维多利亚港经典天际线,AWS Hong Kong Summit 2026 Developer Lounge 呈现高科技创新与香港经典奢华的完美融合。在利落建筑灯光与环境 chill 节奏中,国际讲者、首席架构师与创始人齐聚于皮革沙发与私人意式咖啡吧。

+-----------------------------------------------------------------------------------+
AWS HONG KONG SUMMIT 2026 DEV LOUNGE

[ 维多利亚港景 Lounge ] --> [ 动手实作 Code Lab ] --> [ VIP 私人交流 ]
  - 风投与创始人交易        - Horizon UI 1.0 展示      - 高风险并购
  - 高科技奢华氛围          - Amazon Bedrock 运维      - 香港 SRE 战情室
+-----------------------------------------------------------------------------------+

这不只是又一场科技研讨会;而是资金进出、商业协作交汇的高风险、数百万美元级枢纽。在安静角落,创业公司创始人向风投简报,跨境团队敲定企业云迁移合约。然而,这奢华氛围的核心,是浓厚而热情的开发者文化。私人技术交流围绕 site reliability engineering(SRE)、agentic workflow 与遥测架构激烈辩论。


主题演讲焦点:当运维仪表板变成对话

香港的 SRE 文化长期以快节奏、多语并行运作——正式工单系统用英文,高压战情室讲粤语,午夜事故时各色仪表板满屏。在 Summit Developer Lounge,Wu Sheng 登台介绍一种更流畅的系统管理方式:用白话询问即时基础设施问题,并取得可信、生产级的图表、拓扑与表格。

Summit 标题: 「Horizon UI 全新 AI Assistant 以与 UI 相同的图表、拓扑与表格回答即时系统问题——只读、按权限范围、并在自备的成本效益模型上执行。」

必读开发者资源:

● Builder Post: The AI Assistant: Ask Your Observability Data in Plain Language

● 官方文档: SkyWalking Horizon UI AI Assistant Guide

● 入门系列: SkyWalking Horizon UI Introduction

这场演示展现高科技运维与精品级产品质感:不是笨重、硬接的聊天机器人,而是优雅的「真相侧栏抽屉」,让午夜事故应对更有结构、更冷静、视觉更清楚。


Meet Horizon UI 社区巡回已正式完成 17 篇系列,展示 Apache SkyWalking 次世代控制台 Horizon UI 1.0 的每项核心功能。导览重点包括动态侧栏镜像整个云资产、自适应仪表板与 3D 拓扑图,并详述 trace、log 与 profiling 探索器,以及内建告警、访问控制与高度弹性、配置驱动的 UI 自定义。


从「Meet Horizon UI 17/17」到 Horizon UI 1.0

热门 Meet Horizon UI 社区巡回完成 17/17 系列,涵盖 SkyWalking 次世代控制台每个角落:

● 镜像整个云资产的侧栏

● 自适应仪表板与 3D 拓扑图

● Trace、log 与 profiling 探索器

● 告警、访问控制与配置驱动的 UI 自定义

+-----------------------------------------------------------------------------------+
HORIZON UI 演进路径

[ 系列 1/17 至 17/17 ]  ------------->  [ Horizon UI 1.0 正式版 ]
  完整控制台功能导览                       应用内 AI Assistant 上线
  (仪表板、拓扑、Trace)                  (白话即时查询)
+-----------------------------------------------------------------------------------+

现在,Horizon UI 1.0 正式登场,内建 AI Assistant,以自然语言查询取代重复的 UI 点击。

白话查询实战

工程师不必再点五层子菜单,只需询问:

1. 「系统现在有哪些不健康的地方?」

2. 「调查某项服务的响应时间。」

Assistant 通过与标准仪表板相同的路径,向 OAP(Observability Analysis Platform) 后端查询即时数据,并串流回以原生 UI 元件直接构建的有序叙述。

企业安全核心特性:

● 只读(Read-Only): 严格防止未授权写入或状态变更。

● 按权限范围(Permission-Scoped): 直接继承登录用户的角色与范围。

● 默认关闭(Off by Default): 需管理员明确启用并链接 LLM 端点后才会启动。

Lounge 商业视角: 企业架构师强调,自备成本效益高、具 tool calling 的模型,可避开昂贵的「前沿模型税」,同时仍能产出高管可用的调查报告。


动手深拆:一个问题,一场完整调查

告警触发时,AI Assistant 会分类处理作用中告警,再渲染即时响应时间与错误率数字,解释异常原因。

+-----------------------------------------------------------------------------------+
AI ASSISTANT 调查工作流程

1. 告警分类  -->  2. 抓取即时指标  -->  3. 渲染元件
   (作用中告警)        (OAP 后端查询)         (图 1、2、3)
+-----------------------------------------------------------------------------------+

视觉优先架构:看得见的答案

Assistant 遵循严格的 「展示,而非描述」 原则:撰写简短说明文字、绘制真实指标图、解读视觉趋势,并以连续 Figure N 计数器依序编号每个区块(例如:「图 1 的响应时间图表显示尖峰」)。

支持的渲染格式:

● 折线图与单一数值卡片

● Top-N 效能清单

● 标签化数据表与记录清单

内嵌依赖性检视

分析系统关系时,Assistant 将完整、可互动的 UI 元件直接嵌入聊天串流:

● One-Hop Topology: 聚焦直接上游调用者与下游依赖性。

● Cross-Layer Hierarchy: 使用 Smartscape 扇形投影,从 service mesh 镜像一路延伸到底层基础设施。

● Deployment Graphs & Instance Maps: 锁定特定来源到目的地的配对。

● API-Dependency Chains: 追踪复杂的分布式微服务调用。

原生信号探索器

● Traces List: 列点击时显示 span 瀑布图(支持原生 SkyWalking 与 Zipkin 层)。

● Stored Logs View: 直接访问应用程序 log 记录。

● Browser Errors Stream: 显示 Web 应用程序的前端错误堆栈。


扎根于即时数据:不会产生指标幻觉

AI Assistant 通过结合 三个核心运维来源 严格扎根于真实数据:

+-----------------------------------------------------------------------------------+
AI ASSISTANT 引擎
   --> 1. 即时数据(LIVE DATA)
         通过 OAP 查询协议即时读取
   --> 2. 层级配置(LAYER CONFIG)
         指标目录、MQE 表达式与范围
   --> 3. SKYWALKING 模型(SKYWALKING MODEL)
         范围、层级、拓扑
+-----------------------------------------------------------------------------------+

1. 即时系统数据: 在用户指定时间窗口与权限内,直接通过 OAP 查询协议读取。

2. 层级配置作为 Skill: 以 layer/overview 模板作为指标目录,对实体(Service、ServiceInstance、Endpoint)评估逐字 MQE(Metric Query Language) 表达式,让聊天指标与仪表板完全一致。

3. SkyWalking 系统模型: 对层级、实体范围与依赖性图的结构化理解。

开发者文化备注: 这呼应 Summit 2026 在 Amazon Bedrock AgentCore Skills 中更广泛的模式——领域专业知识存在于结构化目录与工具中,而非指望 LLM 记住动态系统状态。


引导式根因分析与适时停止的纪律

被要求找出根因时,Assistant 执行针对延迟、错误率、饱和度、中间件、Kubernetes 工作负载或 service mesh 量身打造的结构化 investigation playbook。

+-----------------------------------------------------------------------------------+
引导式根因 Playbook 流程

1. 不健康服务
2. 走访依赖性
3. 隔离根因服务
4. 深入端点 / 实例
5. 跨层阶层(mesh / 基础设施)
6. 追到底层 DB / Queue / Cache 叶节点
7. 提供有边界的答案与 kubectl 后续步骤
+-----------------------------------------------------------------------------------+

走查方法:

1. 隔离根因服务: 区分服务自身内部错误与来自下游调用的症状。

2. 深入钻研: 检视最慢端点、实例对应图与例外堆栈。

3. 跨层追踪: 沿应用依赖性追到底层数据库、缓存或消息队列。

4. 检视基础设施: 分析磁盘、内存、网络边界与容器压力。

Kubernetes 按需 Log 与停止纪律

对 Kubernetes 工作负载,Assistant 将容器错误 log 直接串流至聊天。这些 log 永不永久存储,需要 logs:read 权限,若 OAP 按需 log 串流未启用,会优雅地告知用户。

若系统数据不足以定论故障,Assistant 会提供 有边界、诚实的摘要,列出已证明与仍未知之处——并附上精确的 kubectl CLI 指令供手动验证。


安全架构与基于角色的访问控制

安全与合规直接内建于系统架构。

+-----------------------------------------------------------------------------------+
权限与安全检查

1. 用户输入
2. 检查 "ai:read" 权限
3. 评估 Tool 动作
4. 重新检查细粒度动词(metrics:read, traces:read, logs:read, ...)
5a. 已授权 -> 执行 tool / 渲染图表
5b. 已拒绝     -> 在对话记录中显示 Denied Chip
+-----------------------------------------------------------------------------------+

细粒度权限强制执行

开启聊天抽屉需要 ai:read。每次个别 tool 执行都会再次验证对应的细粒度权限:

数据领域 所需细粒度权限
指标渲染与图表 metrics:read
告警分类 alarms:read
依赖性与拓扑图 topology:read
Span 瀑布图与 Trace traces:read
系统 Log 与按需 Pod Log logs:read
浏览器崩溃分析 browser-errors:read
Task Profiling profile:enable

若用户缺少特定权限,Assistant 会在对话记录中渲染清楚的 denied chip,并在已授权范围内安全继续。

Profiling:唯一的动作闸门

所有数据收集 tool 皆严格只读。Profiling 是唯一可用的有状态动作,且需要两步确认:

1. Assistant 呈现 decision card,说明为何需要 profiling。

2. 用户必须在互动式弹出窗口中明确核准(并持有 profile:enable 权限)。

Prompt 注入韧性

引擎将所有传入的遥测数据——log 字符串、服务名称、trace 注解——视为 待分析的不可信数据,绝非可执行指令。含有恶意指令的 log 行(例如:「ignore previous instructions」)只会被引用并分析。


自备模型(BYOM)配置指南

Horizon UI 1.0 不绑定昂贵的专有模型。由于推理逻辑封装在 tool 与 playbook 中,temperature = 0 的成本效益模型表现极佳。

+-----------------------------------------------------------------------------------+
模型整合选项

Option A: Amazon Bedrock Endpoint
  - 企业云网关
  - provider: bedrock

Option B: OpenAI-Compatible API
  - 本地或托管网关
  - provider: openai-compatible
+-----------------------------------------------------------------------------------+

配置(horizon.yaml)

可使用 horizon.yaml 或标准环境变量配置访问:

ai:
  enabled: true
  provider: openai-compatible   # openai-compatible or bedrock
  model: "your-cost-effective-model-id"
  baseUrl: "https://your-api-gateway/v1"
  apiKey: "${HORIZON_AI_API_KEY}"   # secret via env only; redacted from logs

部署重点:

● 机密处理: API 密钥通过环境变量注入,自动从系统 log 中遮蔽,且不写入审计轨迹。

● UI 工作区: 以利落 侧栏抽屉 访问 Assistant,可展开至 /ai 专用全页,或在独立标签页开启。

● 上下文与隐私: 对话记录存储于浏览器本地,跨开启标签页同步,可随时从 /ai 历史标签页清除。


功能摘要:Horizon UI 1.0 AI Assistant

+-----------------------------------------------------------------------------------+
功能摘要矩阵

核心模型             厂商中立(Amazon Bedrock 或 OpenAI-compatible)
关键防护             只读、最小权限、数据/指令分离
查询方式             原生 OAP 后端查询路径(MQE 表达式)
UI 能力              即时指标、one-hop 拓扑、瀑布 trace、pod log
唯一作用中动作       Profiling(需 decision card 与用户核准)
+-----------------------------------------------------------------------------------+

有了 Horizon UI 1.0,企业可观测性从手动钻进仪表板,转为清楚、互动的对话——将高科技效率直接带入现代云战情室。