网络智能体能否解决监控与扩展危机？

当前，网络运维人员在AI与自动化领域的技能储备明显滞后，而企业却期望网络问题能够即时解决，新应用的部署与扩展也要求在数秒内完成。开发者已拥有高度自动化的部署方法论，网络专业人员却远远落后。现在，是时候审视网络运维自动化的下一个浪潮了——部署网络AI智能体与自动化技术，能否加速网络部署周期并提升故障处理效率？

网络AI智能体正处于探索性部署阶段，其终极目标是将网络自动化从可观测性与AIOps延伸至更深层次，使网络管理的基础工作尽可能实现全面自动化，涵盖监控、告警、响应、故障处置，以及企业安全合规策略的执行。当各方对智能体能力建立足够信心后，下一步则是由智能体自动扩展并管理网络资源，从而优化应用工作负载。为完成上述任务，网络AI智能体需要来自网络、安全及合规团队的一套业务规则，并在此基础上通过机器学习深入理解网络，持续自我优化性能。

当前的挑战

目前，多重因素共同导致网络AI智能体的部署更多停留在愿景层面，而非落地实践。

网络人员虽然能够为AI智能体制定网络管理与扩展所需的业务规则，但还必须确保这些规则在数据中心、边缘及云端等所有网络环境中保持统一。许多企业因网络架构过于多样化，在这一点上面临重重困难。

此外，系统与网络集成问题同样不容忽视，安全、合规与网络管理的协调工作往往横跨企业内多个职能部门，跨团队协作在实践中颇具挑战——而一旦协作缺位，AI智能体将在指令层面留下空白。

与智能体需要训练类似，员工在AI与自动化方面同样存在学习曲线。虽然大多数企业网络团队已从传统网络监控迁移至可观测性阶段，但在AIOps方面的参与度仍然有限，而AIOps恰恰是迈向网络AI智能体的关键跳板。好消息是，多家主流网络厂商已提供清晰的技术演进路径，可引导企业从标准网络监控一路迁移至网络AI智能体。

AI智能体的实际表现

去年11月，提供可组合（即模块化）网络AI智能体的Nanites公司开展了一项测试，结果如下：

"我们在一个Cisco IS-IS（中间系统到中间系统）网络上模拟了接口中断故障，"Nanites表示，"Nanites AI分析了告警并在3分钟内完成修复，而这项任务通常需要经验丰富的工程师花费30分钟以上。在此过程中，系统完成了以下操作：

自主处理来自Grafana（一款指标、日志与追踪软件）的告警；

通过推理识别根本原因（而非仅依赖规则或操作手册），可能是通过观察网络模式、配置、拓扑及流量后得出结论；

动态实时确定精确的故障排查步骤；

自主执行上述步骤，直接与系统交互；

在数秒内完成修复（仅需人工审批）*"

其中星号对应一条脚注，说明该测试是在高度受控的网络环境中进行的。

测试中的故障处理时间令人印象深刻，AI智能体的处置速度明显优于人工工程师。但同样值得关注的是，测试必须在高度受控的环境中进行，且最终决策仍需由网络人员做出——即便在近乎理想的系统条件下，AI仍未被完全信任以自主行动。这也引发了一个问题：当组织将网络管理交由AI智能体负责时，究竟还需要多少人工参与？

网络数据洪流已难以为继

即便存在顾虑，网络管理人员也清楚地认识到，现有工具已无法应对每天涌入的海量数据。

SolarWinds解决方案工程总监Neraj Kumar曾引用IDC研究数据指出：59%的企业正在投资AIOps以实现更多网络监控自动化，但75%的企业仍深陷"维持现状"的泥沼。工具蔓延是阻碍前进的原因之一，网络数据与遥测信息的超载同样如此。

"没有哪位CIO会在周一走进来说，'我的环境比去年更简单了'，"Kumar表示，"混合云和多云的采用为团队带来了更大灵活性，但也带来了更多集成节点、遥测数据流，以及故障在整个技术栈中扩散的风险。"

显然，网络的正常运行与规模扩展需要更多AI与自动化的介入，这也推动了对网络AI智能体承担更多工作的需求。但问题在于，网络团队是否已具备有效部署智能体的能力？

四步走向智能体网络的准备工作

对于目前尚未准备好拥抱智能体AI的企业而言，现在其实是打好基础的绝佳时机——毕竟该技术仍处于早期采用阶段。只要现在采取行动，网络管理就不会落于人后。以下是四项建议：

第一步，从现状出发。

网络团队已深知随着网络持续扩展，数据与告警的洪流令人应接不暇，现有工具也难以跟上节奏。因此，几乎所有人都认同需要更多网络运维自动化，无论来自AIOps还是网络AI智能体。从这里出发，思考哪些运维工作最值得用AI实现自动化，期望获得怎样的性能提升。通过设定清晰优先级，团队可以聚焦核心目标，围绕有意义的业务成果制定策略。

第二步，制定策略与路线图。

明确网络自动化与性能目标后，下一步是为这些改进创建时间表，并识别能够实现预期效果的技术路径。

想象一套完全自主的网络AI智能体独立运转所有网络并实现全部性能目标，固然美好，但几乎没有人会无条件接受。Nanites的测试便是最好的例证：性能表现令人满意，但只在高度受控的环境中，且仍需人工专业人员在场做出最终决策。团队在制定策略时应牢记这一点，充分考量现实系统中的日常摩擦对AI效率的影响，并在路线图中为"人在回路"预留空间。

第三步，与具有前瞻视野的网络厂商合作。

业界普遍认为，网络管理将从标准监控演进至可观测性、AIOps，再到网络AI智能体。然而，并非每家厂商都能成为优质的业务伙伴，也并非每家都拥有完善的产品技术路线图。企业在选择合作厂商时应将持续性纳入考量，优先选择持续投入产品研发、提供可靠支持并长期陪伴的厂商。

第四步，在受控环境中试验网络AI智能体。

Nanites在高度受控的网络环境中开展了AI智能体测试，以便针对特定场景观察智能体的表现，而非在大多数企业所拥有的混合多云复杂环境中直接铺开。企业应从中汲取经验——先在受控环境中缓步试验网络AI与自动化，待问题排查清楚后，再将智能体AI逐步扩展至新的领域与规模。

Q&A

Q1：网络AI智能体目前的实际部署情况如何？

A：网络AI智能体目前仍处于探索性部署阶段，更多停留在愿景层面而非大规模落地。主要障碍包括：业务规则难以跨网络统一、跨部门协作挑战、员工技能学习曲线，以及系统集成复杂性。大多数企业网络团队目前处于可观测性阶段，对AIOps的参与度仍然有限，而AIOps是迈向网络AI智能体的关键前提。

Q2：Nanites的网络AI智能体测试结果说明了什么？

A：Nanites在受控的Cisco IS-IS网络环境中模拟接口中断故障，AI智能体在3分钟内完成了根因分析与修复，而人工工程师通常需要30分钟以上。但值得注意的是，测试在高度受控环境中进行，且最终修复操作仍需人工审批。这表明AI智能体在性能上具备显著优势，但在完全自主行动方面仍需人工参与和监督。

Q3：企业应该如何为部署网络AI智能体做准备？

A：企业可从四个方面着手：一是从现状出发，梳理最需要自动化的网络运维场景；二是制定清晰的自动化策略与技术路线图，并在设计中保留人工干预环节；三是选择具有前瞻技术路线图和长期支持能力的网络厂商合作；四是先在高度受控的网络环境中试验AI智能体，验证效果后再逐步向更复杂的环境扩展。