所有文章 标签 分类 系列 关于

2026-10-20-Tue

张天师
     约 1231 字  预计阅读 3 分钟    次阅读     条评论  

2026-10-20-Tue

🕐 创建时间：​2026-10-20 10:26 星期二

距离 ​2027-01-01​ 还剩 ​72 天，加油！

  • **慢查询诊断**继续完善，要至少能对单个 SQL 做出比较准确的判断，能给出诊断案例，并给出下一步操作方案，并正确路由到后续跟进者

  • 智能诊断迁移 Agent 2.01 ： 开始跟进，本周内完成迁移

  • Oncall 无人值守2：要总结最近一个月的 OnCall 数据，分析出来哪些可以完全靠 Agent 能解决，是否需要投入精力来搞。

  • 补齐 Q4 的 OKR：后 续要保证 OKR 的完成率 。

  • 诊断一下告警 ACK 率不满 100% 的原因：

    • 单库代理只读报错： ​5/6
    • RDS数据库主从同步异常( RDS database leader/follower synchronization exception)： ​0/1
    • RDS database instance health status is abnormal：​0/1

  • 后续封禁结束，要重做 bits_ttp 的从库，修复数据不一致问题。

  • OnCall 工单分析，首先要确认分析手段。

2. 2 ✍ 做了什么

上午：

  • ‍

下午：

  • ‍

晚上：

  • ‍

3. 3 ✍ 收获了什么

  • ‍

  1. 智能诊断迁移 Agent 2.0

    标识/名称是否已经处理备注描述诊断模式诊断对象类型
    [analyze_ha_auto_switch_failed-test](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=analyze_ha_auto_switch_failed-test)
    		不需要迁移判断 HA 决策树判断主库无法切换的原因——testAgent2.0alarm\_ha\_auto\_switch\_failed
    [diagnose_cpu_high](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=diagnose_cpu_high)
    		**告警诊断在用，Z 项目专属，需要迁移到**诊断RDS CPU 高原因大模型rds\_cpu\_high
    [proxy_error_no_space_left](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=proxy_error_no_space_left)
    		**告警诊断在用，这个经过治理后，很少出现了。**根据告警内容，诊断所属 DB 各节点的健康度是正常。大模型alarm\_no\_space\_left
    [check_cross_region_replication](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=check_cross_region_replication)
    		**告警诊断在用**[单元化] 跨区域原生复制的备库指向的主库地址错误大模型alarm\_cross\_region\_replication\_master\_wrong
    [check_replication_status](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=check_replication_status)
    		**告警诊断在用**检查复制状态失败的原因大模型alarm\_db\_replication\_status
    [check_ddl_ticket_status](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=check_ddl_ticket_status)

    这个应该是被 DBW 接管了，不再需要了。(奇怪，竟然还真的有调用，不过上面都是些诊断失败的案例_esc_newline_)

    		分析用户 DDL 工单的当前状态，是否是因为配置了禁止rename时间窗口被阻塞大模型bpm\_user\_ticket
    [analyze_low_data_free](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=analyze_low_data_free)
    		已经不再使用了，直接将路由改到 Agent 2.0 了诊断 DB 可用空间低的使用情况，并给出处理建议大模型alert\_disk\_space\_low
    [data_plane_slo_diagnose_fetch_relative_ticket](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=data_plane_slo_diagnose_fetch_relative_ticket)

    已经让 zhangdongdong.121 迁移到单独的 Agent 终端了。

    		找到与SLO告警有关联的告警工单大模型slo\_diag\_context
    [rds_data_plane_slo_diagnose_summary](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=rds_data_plane_slo_diagnose_summary)对大模型的结果进行总结大模型slo\_diag\_context
    [rds_data_plane_slo_diagnose_beta](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=rds_data_plane_slo_diagnose_beta)RDS数据面SLO告警通用诊断场景大模型slo\_diag\_context
    [rds_conn_abnormal](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=rds_conn_abnormal)
    		**在 RDS OnCall 机器人中有使用，只是简单迁移到 Agent 2.0，并没有真正实现这个接口**诊断 RDS 与连接相关的异常，注意本工具只会诊断当前数据库是否正常，不能协助对过去某个时间段的进行故障排查大模型region\_dbname
    [analyze_billed](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=analyze_billed)
    		可以不迁移，文晖应该是临时创建的。分析一个RDS数据库的账单变化情况大模型-
    [query_metrics_by_bosun](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=query_metrics_by_bosun)
    		应该也可以不迁移，应该没有被使用。通过 Bosun 语句来查询 Metrics 监控指标大模型rds\_dbname
    [rds_high_cpu_simple](https://rds.sre.bytedance.net/settings/data-ai-service/intelligent-diagnosis/scene-config?name=rds_high_cpu_simple)
    		**在 RDS OnCall 机器人中有使用**诊断数据库库 CPU 利用率高的问题，注意这个工具只能诊断正在发生的 CPU 高故障场景，不能诊断历史某个时间段 CPU 高场景。大模型

    rds_region_dbname
    rds_region_dbname_role_host

    ‍  ↩︎

  2. Oncall 无人值守

    1. BKE 的无人值守包括什么内容？

    2. 无人值守的定义？

      1. 哪些工单可以被认为是无人值守？
      2. 自动化变更 + 智能检测 可以被认为是无人值守么？
      3. 巡检自愈 + 智能检测 可以被认为是无人值守么？

    3. 在 OnCall 方面的应用？权限问题？

      1. 问题排查类工作应该如何应用
      2. 主动回复
      3. 如果判断是否应该扩容？
      4. 自进化​ ==> ​辅助进化

    4. Agent Loop 建设

      1. ‍

    ‍

    参考资料：

    1. botmux 参考
    2. ‍
     ↩︎
更新于 2026-10-20  ef9740a
返回 | 主页