GenAI 在云电话运维中的实战应用
实习生分享用生成式 AI 改进云电话运维流程的经验。超过 4 个月的实践表明,AI 不仅提升速度,还改变了维护思路。
完整中文译文
生成式 AI 如何改变了我的运维日常——以及为什么真正的收益并不是速度
我是 Vanessa Mendes,Telecom 领域的一名实习生。在过去 4 个月里(2026 年 4 月至 7 月),我的日常工作主要是维护多个客户的 cloud 电话系统——每个客户采用的技术栈不同,基础设施各有特点,紧急程度也不尽相同。
我负责维护的生态系统包括:
- 面向大型业务的 Amazon Connect(队列、flow、callback、view)
- 面向小型业务的 PBX Issabel/Asterisk(部署在 EC2 上的本地系统)
- AWS(Lambda、DynamoDB、S3、CloudWatch、Security Groups)
- Jira + Confluence(ticket 管理与文档)
我所在的是一个 Telecom 运维团队,知识共享始终贯穿其中,协作也是日常工作的一部分。
在运维工作之外,我还采用了 Kiro CLI——一款通过 MCP(Model Context Protocol)集成到工作环境中的 AI 助手——作为辅助生产力工具。这篇文章讨论的并不是工具本身,而是 AI 如何改变了我的工作方式。
挑战:多个客户、多套系统、快速决策
先交代一下背景:我需要同时服务多个客户,每个客户都有自己的 AWS 访问权限、SSO profile、Connect instance、PBX 及其他特有配置。处理一个事故 ticket 可能需要:
- 阅读 Jira 中的 ticket(了解上下文)
- 访问 CloudWatch Logs(获取证据)
- 检查 Security Groups 或 DynamoDB(核查基础设施)
- 查阅 Confluence 文档(了解历史情况)
- 通过 SSH 连接 PBX(进行诊断)
- 与同一客户过去的 ticket 交叉比对(寻找规律)
在使用 AI 之前,每次在不同系统之间切换都会消耗时间,还会增加丢失上下文的风险。调查工作高度依赖我的记忆和经验——而对于一个入职只有 4 个月的人来说,这确实是一项现实限制。Telecom 团队一直愿意为我答疑并帮助验证假设,但有一款工具能够协助我整理信息,并在不同系统之间保持上下文,确实带来了决定性的改变。
我在上半年完成的工作
1. Callback 系统:历经 4 个版本走向生产环境
我的主要项目是完整开发一套用于 Amazon Connect 的 callback 系统,并先后迭代了 4 个版本。
最终成果包括:一个包含 113 个 block、支持 3 种语言(PT/EN/ES)的 Flow Module;一个负责拼接国际电话号码的 Python 3.12 Lambda;以及一项技术发现,它让我们得以从 flow 中彻底移除一个 Lambda——原来 UpdateContactCallbackNumber block 本身就可以充当号码可拨通性验证器。
完整文档已经发布到 Confluence。在 AI 的协助下,信息组织更加高效,从“代码完成”到“文档发布”的时间显著缩短。
2. VIP 优先级系统:智能管理
我在 Amazon Connect workspace 中开发了一套 VIP 客户管理系统:
- 为主管提供带有可编辑表格的 View(inline editing)
- 包含 5 种 CRUD 操作的 Python Lambda
- 使用 DynamoDB on-demand 存储数据
- 队列优先级(Priority 1)+ 用于身份识别的 Whisper Flow
有一点非常重要:第一版 View 是由 Amazon Connect 原生 AI 生成的,但由于 schema 错误、TableAction undefined 和字段过于通用等问题而失败。最终有效的解决方案,是以 BlockList 为 template 手动创建。AI 并非永远正确——人工验证没有商量的余地。
3. 修复 CSAT 调查:大规模数据审计
一个存在了将近 2 个月的 bug,导致满意度调查以错误的 ID 写入数据——超过一千通电话受到影响,DynamoDB 中近 200 条记录的评分不正确。
- 找到了 root cause(flow 中 3 个 node 的 ID 被调换)
- 生成了带有
DRY_RUN模式、备份机制和条件验证的历史数据修复脚本 - 在 DynamoDB 中定位了 270 多条需要修正的记录
- 编写了验证报告,提交主管审批
这种需要在确保安全的前提下进行大规模审计的工作,如果完全依靠人工,在有限时间内几乎不可能完成。
4. 解决事故:调查能力才是差异所在
在这段时间里,我总共担任了约 20 个 ticket 的 assignee。
核心认识:AI 并没有节省时间,而是改变了工作
如果有人问我“AI 节省了多少时间?”,我会诚实地回答:不多。我的日程表并没有因此空下来。真正改变的,是我所做工作的类型。
- 基于有限经验提出假设(入职仅 4 个月)
- 将文档视为“技术债务”——要么匆忙完成,要么根本不写
- 线性调查:每次只检查一个系统,在系统切换中丢失上下文
转变为:
- 交叉分析多个数据源 → 提出有数据支撑的假设
- 文档自然成为工作过程的副产品
- 结构化调查:在我穿梭于不同系统之间时,由 AI 帮助保持上下文
真正重要的衡量指标,并不是“节省了多少小时”,而是:
从理论到实践:学习与落地之旅
上半年可以清晰地分为两个阶段。
阶段 1——学习与吸收(4 月至 6 月)
从 4 月到 6 月,我的重点是吸收内容并建立理论基础。我参加了 6 场 workshop(约 22 小时)——内容涵盖 Amazon Connect 基础知识,一直到关于 Agentic AI 的 Level 400 workshop——并在 AWS Skill Builder 上完成了约 11 小时的自主课程。
对我影响最大的 workshop 包括:
- KiroOps(Level 300,4 小时)——让我理解了 Kiro 在代码分析和文档编写方面的潜力
- Blackbelt Agentic AI(Level 400,5 小时)——通过 Kiro + 企业 SSO 的真实实践,巩固了理论知识
- 基于 MCP + Salesforce 的自主 CX(Level 300,3 小时)——在 contact center 中编排自主 Agent
我还获得了 Amazon Connect AI Fundamentals badge。
阶段 2——实践与构建(7 月)
到了 7 月,我决定走出理论阶段,开始以结构化方式将 AI 应用到日常工作中。
我创建了一个 time-tracker——这是一个用于工时管理的个人项目,我会在其中记录每个 ticket 的描述和投入时间。这也是我在开发过程中首次获得生成式 AI 主动协助的项目。
随后,我又开发了一个运维 dashboard——包含 13 个页面、28 个 endpoint,并集成了 Jira、Confluence 和 AWS CLI。这个项目将所有经验整合在了一起:使用 AI 进行开发的实践、在运维工作中获得的技术知识,以及对日常工作的组织管理。
如果只谈成功经验,那是不诚实的:
- 由 Connect 原生 AI 生成的 VIP View——由于未记录在文档中的 schema 错误而失败,最终解决方案来自人工逆向工程。
- AI 提供的 SSH 命令建议——AI 无法看到服务器的真实状态,执行命令前必须进行验证。
- 包含 100 多个 block 的 flow——其上下文可能超过 AI 的 context window,因此必须拆分后再进行分析。
得到的教训是:使用 AI 的专业人士需要更多技术知识,而不是更少。AI 会放大能力,而不是取代能力。
感谢 Telecom 团队
如果没有 Telecom 运维团队,这些成果一项都不可能实现。感谢整个团队给予我的耐心与支持,也感谢大家营造出的协作文化,让一个初学者同样能够快速成长。
尤其要感谢 Carlos 和 Wallace——日常工作中分享的技术技巧、诊断问题时敏捷的思路,以及耐心讲解时展现的慷慨,让我的学习曲线得以大幅加速,而这些是任何工具都无法替代的。面对技术问题时的快速响应,以及那些可以省去数小时反复试错的捷径——这些成绩属于真实的人,属于那些愿意伸出援手、慷慨投入自己时间的人。
生成式 AI 是一款强大的工具,但真正让我能够有效使用它的知识,来自整个团队。
结语:从被动操作员到主动调查者
在 4 个月里,我从“第一次接触 Amazon Connect”,成长到让一套包含 113 个 block 的系统投入生产、完成一次大规模数据 bug 审计,并逐步具备独立解决事故的能力。
生成式 AI 并没有替我完成这一切。它改变的是我处理每个问题的方式:
- 以前:被动、线性、受限于记忆
- 现在:主动、结构化、以数据为依据
对于刚刚进入这一领域的人来说:AI 不是捷径,而是杠杆。当你知道自己在做什么时,它的效果最好;而当你仍在学习,并且身后有一支支持你的团队时,它能带来彻底的改变。
喜欢这篇文章吗?欢迎在 Dev.to 关注我,获取更多关于 AWS、GenAI 和 cloud 运维的文章。🚀
如需采取进一步措施,你可以考虑屏蔽此人和/或举报滥用行为。