售后

云原生应用工坊

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

本文落地一条“最短闭环”（人工触发 → 计划 → 审批 → 执行 → 验证 → 归档），强调：确定性的状态机做“合法性与原子落库”，不确定性的 LLM 做“生成、检索、归纳”，两者以“可验证的契约”交汇。

如何设计 AI 驱动的 OPS Agent：漫谈状态机

调度特性：窗口对齐 + 延迟容忍 + DAG 依赖 + 幂等 Upsert + 分片多租户。

IT咖啡馆｜全栈可观测数据库 ETL 设计

本文落地一套「全栈可观测」数据库设计：明细进 OO，PG 仅存 12 张核心表（维度、定位符、指标 1m、服务调用 5m、日志指纹/计数、拓扑时态、知识库、事件/证据），并用 AGE 维护“当前服务级调用图”。给出可直接执行的 DDL、保留与压缩策略、典型查询与接入流程。

IT咖啡馆｜全栈可观测数据库设计

IT咖啡馆 | 漫谈典型运维工作场景

按容灾级别（冷备/T+1/热备/多活）分层描述架构、RPO/RTO、数据路径、变更与演练、以及成本模型。方案完全贴合你给出的“OTLP 优先、双链路（OTel Gateway + Kafka 旁路）、OpenObserve + Kafka + PostgreSQL( Timescale/pgvector/AGE/HLL )”参考架构。

IT咖啡馆-监控系统的多区域与容灾

定位：OpenObserve/LGTM 提供一线检索与可视化；PostgreSQL 提供深度分析与 AIOps Agent 的统一数据接口（趋势/相似性/拓扑因果/TopK）。

IT咖啡馆｜PostgreSQL 扩展驱动的复杂分析（向量 / 图 / 趋势）技术方案

1) PoC（2–3 周）：单区打通 Vector→OTel→OO 与 Kafka→Benthos→PG 全链路；验证 event_id 与 UPSERT 去重。

T咖啡馆｜数据采集多级持久化与可重放

真正有价值的维度划分应该服务“证据链”：指标报错 → 事件对齐 → 追踪与日志取证 → 拓扑约束路径 → 知识库复用。

IT咖啡馆｜漫谈监控简史到全栈可观测数据选型

OpenTelemetry Gateway 在本方案中承担“区域网关”角色：统一接入 OTLP（gRPC/HTTP）与（可选）Kafka，完成标签规范化、事件 ID 生成、限流/采样、路由与多路扇出，并用 sending_queue + file_storage 构建 持久化 WAL，在后端短抖或升级期间保证不丢与可重放。近线检索走 OpenObserve，“真源”沉淀在 Kafka，再由 ETL 汇入 PostgreSQL/ClickHouse 等数仓。该架构天然支持多区域自治 + 主区统一查询，并为 AI 运维与回放分析夯实数据底座。OpenTelemetryAxoflow

IT咖啡馆 | 漫谈OTel Gateway 的设计与思考

在可观测性体系建设中，边缘采集层扮演着“第一入口”的角色。其核心目标是保证数据在靠近源头时就具备完整性、可靠性与可扩展性，避免因高负载或链路抖动造成数据丢失。方案选用 Vector 作为统一的边缘采集与汇聚出口，理由如下：

IT咖啡馆：边缘采集与网关的抉择

本方案提出一套 最小可行、可扩展、可审计 的 AI 驱动 OPS Agent 架构，通过 LLM、规则引擎、工具调用三者协同，驱动 MAPE-K 闭环：

AI-OPS Agent MVP 架构方案

上传失败：Cannot read properties of undefined (reading 'url')

如何设计 AI 驱动的 OPS Agent：技术架构探索

传统的 OPS 自动化更多停留在 SSH/SCP + 脚本 层面，难以应对现代复杂系统的高并发、分布式与动态变化需求。要实现“AI 驱动的 OPS Agent”，需要从数据采集、存储建模、可观测与告警、到知识化与闭环治理逐步构建。能力清单可分为三类：必备 → 增强 → 进阶

从 SSH/SCP 到 AI 驱动的 OPS Agent：能力清单

关键词：AI Ops Agent、GitOps、OpenTelemetry、TimescaleDB、ArgoCD、SLO、MAPE‑K、向量检索、可观测性、合规模型

从 SSH/SCP 到 AI 驱动的 OPS Agent：落地前的思考

实务差异：AI-Native OS 更偏“交互与系统-模型一体化”；Agent-OS 更偏“把智能体当作进程/作业治理”，对齐 Unix/云原生的资源与安全模型。AIOS 论文/代码把这一点讲得很清楚。arXivGitHub

AI 原生 OS” 与 Agent-OS 的系统化落地：以 AIOS/MCP 为核心的云原生工程路线

本文是 AIOps 系列的一部分，重点探索如何基于 LangChainGo 与本地或在线大模型（LLM），构建一个具备知识检索、问答、智能推理能力的 AI 助手。随着系统日益复杂，AIOps 越来越依赖自然语言交互与上下文感知能力。通过结合 RAG（检索增强生成）技术与大模型能力，我们打造了 AskAI 助手，支持实时智能问答、配置分析、文档检索与运维知识推理，助力团队更高效地查询内部文档，获取解答问题。

基于 LLM 的 AIOPS 探索系列：构建 RAG + LLM 驱动的 AskAI 助手

近年来，去中心化 AI 服务逐渐成为开发者和创业团队的热门方向。chutes.ai 是一个基于 Bittensor 网络 Subnet 64 的去中心化 AI 平台，为开发者提供高效、安全且可验证的 AI 服务接口。本文将作为 Chutes Miner 部署指南系列 的一部分，手把手带你从注册到应用集成，全面体验 chutes.ai 提供的 AI 能力。

Chutes 指南系列：如何使用 chutes.ai 服务

本文档整理了在 Kubernetes 集群上部署 chutes-miner 的步骤，包括集群初始化、钱包准备以及节点管理等操作。

chutes-miner 部署指南

XStream 是我使用 ChatGPT 辅助编程实现的第三个应用程序，旨在解决开发者在访问全球资源（如 GitHub、Docker、OpenAI 等）时遇到的网络瓶颈问题。由于地域和网络环境差异，访问速度和稳定性常常受限，因此我开发了 XStream UI，通过可视化界面简化网络加速器的配置和管理，确保能够顺畅访问所需资源。

✅ XStream：为开发者而生的网络访问加速与配置管理工具

在许多 Kubernetes 环境中，尤其是 K3S、边缘计算节点或本地开发测试环境，往往没有配置复杂的 PVC（Persistent Volume Claim）和 CSI（Container Storage Interface）快照等高级功能。这些环境通常要求备份工具简单易用，能够在没有依赖云服务或高复杂性的存储解决方案的情况下，提供数据备份与恢复的能力。KubeGuard 正是为这些单机环境定制的备份工具，它避免了对 PVC 和 CSI 快照等复杂功能的依赖，提供了一种轻量级的备份与恢复解决方案。

KubeGuard：为单机环境定制的 Kubernetes 应用与节点数据备份恢复工具

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了云原生应用工坊专栏，为你提供了云原生应用工坊的相关文章，致力于帮助开发者快速成长与发展。

云原生应用工坊

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐