用聚合指标和硬规则约束 AI 运维
ClinicLog 将登录异常、服务器错误等计数提供给模型分析,原始日志留在内部,减少个人信息外传。关键健康检查由代码规则裁决,模型判断正常也不能覆盖规则发现的问题。
原文暂未完整获取,基于公开信息的快读
面向治疗师的诊所管理产品 ClinicLog,把 AI 接进了服务器健康检查:模型接收登录异常、服务器错误等聚合计数,原始日志留在内部;关键问题则由代码规则裁决。作者想解决的是小团队运维的两头难:告警太多容易被忽略,缓慢恶化的问题又可能逃过单次阈值检查。
目前能确认什么
模型拿到的是指标、代码检查结果和前七次运行记录,输出 PASS 或 ALERT,并附上摘要与证据。历史数据用于观察磁盘持续增长、错误数量上升等趋势。告警才发邮件,邮件指向内部日志,不直接引用日志内容。
代码发现任何 CRITICAL 问题,最终结果都必须是 ALERT。
这条规则在模型回答解析后执行。模型即使给出 PASS,也会被覆盖;模型不可用时,代码检查独立裁决。低于关键级别的问题仍交给模型判断,因此它仍可能淡化警告。
作者也记录了一次误报:证书检查失败,被保存为负一天,模型将其理解为证书已过期。同时,代码阈值还漏掉了真正过期的情况。修复后,检查失败记为 unknown 和警告,负数则单独触发关键告警。
我的判断
这套设计最适合借鉴的是职责分配:必须触发的告警写进程序,趋势解释和噪声过滤交给模型。提示词无法提供与条件判断相同的执行约束。
但硬规则的可靠性取决于检查本身。证书事件说明,采集失败、正常数值和异常数值必须分开表达,否则模型和规则都可能误判。
隐私边界也还需要核验。当前方案会删除 _samples 字段和部分原始文本,但作者明确说这依赖命名约定;新增文本字段若没遵守约定,仍可能外传。已有五项隐私测试,尚不能据此认定所有路径都被覆盖。
现有节选没有给出长期漏报率,也没有对比模型与普通趋势算法的效果。能确认的是约束方式,模型究竟增加了多少有效告警,还缺证据。