课程

大会议题

• 面向亿级可观测数据：UModel 如何让 AI 从“查数据”走向“懂系统”

  在阿里云可观测体系的研发与交付实践中，我们反复遇到同一类问题：客户与内部团队手中已有日志、指标、Trace、事件等多套数据源，但每新增一个智能运维场景——拓扑探索、跨源查询、故障定位、智能巡检——都要把接入、关联与查询拼接重新做一遍；而把原始日志和指标直接交给大模型后，又出现语义缺失、拓扑认知不足与推理断链，答案看似合理却难以落地。问题不在模型能力，而在缺少一层稳定、可复用的系统语义。
  面对这一问题，我们没有选择再建一套集中存储，也没有继续逐场景定制接口，而是通过UModel实践“先统一语义、再统一访问”的路径：以对象图为核心，把实体、观测数据、关系、知识与行动统一建模；用对象与表双模型同时承接面向对象探索与面向表的统一计算，用动静态实体区分运行时拓扑与配置型对象，用三类关系刻画依赖、包含与关联，并以 CommonSchema 做版本治理；底层完整保留企业既有 LogStore、MetricStore 等存储，通过 SPL 统一计算、图存储、全文与向量索引以及面向对象 PaaS 接口，把存储差异屏蔽在模型层之下。
  UModel这套做法已在亿级可观测数据规模下跑通：一次建模同时支撑拓扑探索、跨源查询、故障定位与智能巡检，Agent 拿到的不再是散落的原始数据，而是可发现、可调用、带语义的方法接口，AI 由此从“查数据”走向“懂系统”。

  暂无课程排期
  产品经理

• Qoder Cloud Agents 基于 RocketMQ LiteTopic 的大规模智能体托管与运行实践

  本案例属于云计算基础软件领域，聚焦消息中间件 RocketMQ 在大规模 AI Agent 场景下的能力创新。案例应用于阿里云 Qoder Cloud Agents 的云端 Agent 托管与执行服务，服务集团内部办公及阿里云公有云、专有云客户。
  大规模 Agent 场景面临长程任务持续数天、海量 Session 并发、事件高 QPS 与成本的多重矛盾，对消息中间件的有序性、隔离性、弹性与可靠性提出了全新挑战，传统消息模型难以同时满足。为支撑 Qoder Cloud Agents 提出的"手脑分离、事件驱动"架构，RocketMQ 以 LiteTopic 作为核心中间件承载异步交接：以 Session 为有序隔离边界形成海量执行车道，实现 Session 内有序、间并行；并通过 Broker 削峰、背压、重试与重放保障任务可靠推进。
  创新点在于 LiteTopic 免除海量物理 Topic 即可支撑万级 Session 隔离。成效上支撑万级并发，显著提升资源利用率与成本效率，助力 Agent 运行时实现"会话常驻、计算流动、状态可续"。

  暂无课程排期