AI Agent 如何驾驭云监控：实测自然语言驱动的全链路可观测运维

云监控CLI与Agent Skill将传统控制台操作整合为命令行入口，使AI Agent能够理解、执行并验证可观测运维任务，显著提升效率并降低出错风险。

30 秒读懂

CMS（Cloud Monitor Service）2.0控制台中的接入、配置、查询、告警及事件等能力被统一转化为命令行入口，实现于云监控CLI（aliyun cms2）。CMS Agent Skill则将上述命令组织成面向AI Agent的业务工作流。

过往的运维自动化通常从API起步：查阅文档、拼接参数、编写脚本、调用接口。现在，借助云监控CLI与Agent Skill，这些能力可被组织为AI Agent能够理解、执行并校验的标准化工作流。

对于运维人员而言，核心价值并非增加一个工具，而是能够用自然语言描述运维目标，由AI Agent完成场景理解、CLI调用、API执行以及结果校验，从而将重复、多步骤且易出错的可观测运维操作转变为可确认、可审计、可复用的自动化流程。

为什么需要 CLI+Agent Skill

随着云上业务规模与基础设施的持续扩展，可观测运维已贯穿资源接入、指标与日志采集、告警治理、链路排查、根因分析以及稳定性运营的全流程，导致运维工作量与操作复杂度同步攀升。与此同时，AI Agent凭借强大的语言理解与任务编排能力，正逐渐成为新的运维协作入口，许多团队开始尝试将重复、标准化、多步骤的任务交给Agent辅助执行，并将复杂问题排查交由AI辅助分析。

然而，要让AI Agent真正融入生产运维闭环，不能仅停留在“理解问题、生成建议或脚本”的层面，还需要一套稳定的云监控能力执行入口、标准化的领域流程、必要的人工确认以及可校验的执行结果。云监控CLI与Agent Skill正是为解决此需求而构建的能力套件。

CLI+Skill 的解决方案

云监控CLI（aliyun cms2）提供统一、稳定且可审计的能力入口，CMS Agent Skill [1] 则沉淀了云监控领域的业务语义与操作流程，使其成为AI Agent可理解、可执行的工作流。两者协同运作，AI Agent能够从“帮我把这个ACK集群接入云监控”这类自然语言指令出发，自动完成场景识别、参数生成、CLI调用、API执行以及结果校验。

1. 统一命令树：CLI已全面覆盖CMS 2.0控制台中的接入中心、Prometheus服务、应用监控、用户体验监控、告警中心及事件中心等能力。后续还将持续完善云拨测与Grafana大盘等能力，力求实现对CMS 2.0控制台的完整覆盖。
2. AI Agent原生适配：
   1. 提供规范、明确且细致的--help信息，并支持--show-schema与--show-example-body等辅助功能，助力AI准确处理各类业务场景。
   2. 默认采用-o text输出紧凑CSV格式，有效降低AI Token消耗。
   3. 通过结构化JSON错误码，使Agent能够依据错误原因自动决策并修复。
3. Skill驱动：配套的Skill文档沉淀了完整业务工作流，Agent无需硬编码即可完成复杂多步操作。

CLI+Skill 工作流程

对于运维人员，最显著的变化是：操作起点不再是控制台入口或API参数，而是一个明确的运维目标。Agent依据标准流程完成后续执行与校验，其核心在于“可控自动化”——Agent不会绕过运维体系，而是通过统一CLI入口与Skill中沉淀的业务规则执行操作，从而在减少重复劳动的同时，保留必要的权限、确认与审计边界。

安装与配置

安装 Skill/CLI

1. 访问Agent Skills门户 [1] 中的alibabacloud-cms-manage Skill，并依据界面引导完成安装。

1. 安装完成后，AI Agent在使用Skill时会自动检测并引导安装或更新CLI及cms2插件至所需版本，用户无需手动处理环境依赖。

# 验证 CLI 安装成功
aliyun version
# 验证 cms2 插件可用
aliyun cms2 --help

配置凭证

支持AccessKey、STS Token等多种凭证类型，详细配置方式请参考配置CLI身份凭证的相关文档 [2] 。

# 交互式配置（推荐首次使用）
aliyun configure
# 非交互式配置
aliyun configure set 
  --access-key-id YOUR_AK 
  --access-key-secret YOUR_SK 
  --region cn-hangzhou

实战场景一（接入中心）：ACK 集群接入云监控

业务场景

SRE团队新建了一个ACK集群用于部署微服务，需将该集群的节点、Pod、容器等指标接入云监控。

使用方式

用户只需在AI Agent对话中输入：

帮我看看杭州有哪些容器集群没有可观测能力，帮我接入一下。

Agent便会自动完成整个接入流程，用户仅需在关键节点进行确认即可。

AI Agent 支持的核心能力

步骤	Agent 自动执行的操作
步骤1：查询容器集群	通过云资源中心，查询符合条件的容器集群列表
步骤2：已接入实例判断	查询实体数据（EntityStore），过滤掉已接入云监控的实例
步骤3：资源验证	通过云资源中心查询集群ID，确认其真实身份与所属账号等信息
步骤4：组件选择	从接入组件目录中匹配适合ACK场景的Addon（监控组件），获取参数schema与工作流模板
步骤5：策略创建	创建集成策略（Integration Policy），关联目标Workspace
步骤6：组件部署	创建Addon Release，将集群中的指标采集接入到Prometheus实例
步骤7：结果验证	检查存储实例、关联大盘与采集Job目标，确认数据链路畅通

接入中心的常见场景和提示词示例

按资源组接入： 将默认资源组下，北京区域的所有RDS接入云监控的 {workspace} 下。

按标签接入： 将匹配标签key= {tagKey}，value={tagValue}的所有ECS接入云监控的 {workspace}下。

跨账号接入： 将 {资源目录成员账号uid} 的上海区域下，所有AI网关接入云监控下。

监控组件部署： 在接入策略 {策略id/名称} 下增加ACK成本洞察组件接入。

指标采集target检查： 检查ACK集群 {集群Id/名称} 的apiserver相关scrape target是否正常。

自定义采集规则查询： 查询接入策略 {策略id/名称} 的serviceMonitor/podMonitor/customJob列表。

实战场景二（告警中心）：智能告警规则管理

业务场景

SRE需要为生产环境构建完善的告警体系，以容器服务集群节点为例，配置专业化的节点告警规则。

使用方式

以下是典型的对话示例：

针对容器的告警有什么建议，然后帮我apply。

AI Agent 支持的核心能力

步骤	Agent 自动执行的操作
步骤1：查询现有告警规则	查询容器实例对应的现有告警规则列表
步骤2：查询指标信息	查询容器实例现有的指标列表与labels
步骤3：生成告警规则配置	结合现有告警规则，生成各主要组件的告警规则配置
步骤4：Dry Run告警规则	对生成的告警规则执行Dry Run，确认其有效性
步骤5：创建告警规则	创建现有未覆盖的告警规则
步骤6：修改现有告警规则	对现有不合理的告警规则进行修改

告警中心的常见场景和提示词示例

智能分析告警规则： 分析现有告警配置是否合理，是否存在告警噪声，不合理则一键修改。

查询告警规则： 查询工作空间 {workspace} 下，云产品监控的所有运行中的告警规则。

修改告警规则联系人： 将告警规则 {规则id/名称} 的通知对象改为 {联系人}。

删除告警规则： 删除Prometheus实例 {实例id/名称} 的 {规则名称} 告警规则。

查询告警历史： 查询告警规则 {规则id/名称} 在1周内的告警历史。

实战场景三（Prometheus 服务）：Prometheus 实例管理与数据查询

业务场景

运维团队需要管理多个Prometheus实例，分析监控指标和业务健康状况，并通过Recording Rule对高频指标进行预聚合。

使用方式

以下是典型的对话示例：

帮我看看杭州有哪些Prometheus实例，按工作空间分组展示。

以下为 Agent 支持的核心能力概览

能力	Agent 自动执行的操作
Prometheus 实例管理	创建、查询、更新、删除Prometheus实例，支持按标签与地域过滤
Prometheus 聚合视图管理	创建、查询、更新、删除Prometheus聚合视图
Recording Rule 管理	创建或删除预聚合规则，并管理规则的启停状态

Prometheus 服务的常见场景和提示词示例

修改Prometheus实例存储时长： 将Prometheus实例 {实例Id/名称} 的存储时长调整为90天，归档时长调整为180天。

创建RecordingRule： 在Prometheus实例 {实例Id/名称} 下创建一个Recording Rule，用于预聚合各节点的5分钟平均CPU利用率。

停止RecordingRule： 停止Prometheus实例 {实例id/名称} 下的 {聚合任务名} 预聚合任务。

创建Prometheus聚合视图： 创建一个名为 {聚合视图名} 的聚合视图，使其包含 {workspace} 空间下 {区域名} 区域的所有Prometheus实例。

实战场景四（应用性能监控 APM）：应用监控/AI 可观测接入

此场景的接入流程包括初始化APM基础设施、获取凭证、注册应用、获取配置模板以及验证接入等步骤，传统接入过程较为复杂。借助CLI与Skill，该流程可被极大简化，实现自然语言交互式接入。详情可参考相关技术文档。

实战场景五（数据查询）：元数据、PromQL 和基础云监控指标查询

业务场景

查询元数据、Prometheus指标数据以及基础云监控指标数据，用于分析业务运行情况或排查故障与问题。

使用方式

以下是典型的对话示例：

CPU使用率最高的ECS列表： 找出最近半小时内CPU使用率最高的10台ECS实例。

以下为 Agent 支持的核心能力概览

能力	Agent 自动执行的操作
元数据（Meta）查询	执行指标、namespace与事件元数据查询
PromQL 查询	对接入云监控指标监控的资源，执行即时查询与范围查询，以及label、labelValues与series元数据查询
基础云监控指标查询	执行基础云监控的top、latest、range与points等查询
Trace查询	执行链路追踪数据查询

数据查询的常见场景和提示词示例

RDS慢查询： 查询过去30分钟内执行时间超过1秒的慢查询数量趋势。

容器资源请求浪费： 查找容器集群内，过去7天中资源申请过大但实际使用很少的“僵尸”资源。

容器Pod内存泄漏嫌疑： 在容器集群 {集群名/id} 的 {ns} 下，查找过去1小时内内存使用量持续增长，且当前值超过限值90%的Pod列表。

总结

云监控CLI（aliyun cms2）与配套的CMS Agent Skill共同构建了一套面向AI Agent的标准操作界面，将原本分散在接入、配置、查询、告警及事件等场景中的能力统一整合。这使得运维人员能够以更自然的方式表达目标，以更可控的手段完成执行，并通过更清晰的链路实现验证与审计。

对于运维团队而言，这意味着可观测建设正从“人找入口、人拼参数、人做验证”的手工阶段，逐步迈向“人定义目标、Agent编排流程、CLI执行操作、AI校验结果”的协同阶段。

AI并非要替代运维判断，而是旨在大幅降低重复操作、跨系统协作与复杂流程的执行成本，提升问题排查与故障定位的效率，让SRE将更多精力投入到稳定性设计、告警治理与故障复盘等更高价值的工作中。

未来将持续丰富CLI与Skill的能力范围，全面覆盖云监控业务场景，使其成为运维人员与AI Agent之间稳定、可信、可扩展的可观测能力底座，推动自动化与智能化运维从单点尝试走向规模化落地。

附录：CMS CLI 命令树

aliyun cms2
  │
  │                 # 接入管理域
  ├── integration                  接入管理（包含接入策略、Addon 组件、采集规则等的全生命周期）
  │   ├── policy                   接入策略管理，包含 create|get|update|delete|list 等命令
  │   ├── storage                  查询接入策略绑定的 Prometheus 存储实例，包含 list 等命令
  │   ├── dashboard                查询接入策略关联的 Grafana 大盘，包含 list 等命令
  │   ├── resource                 容器服务类别接入策略的资源列表查询，包含 list 等命令
  │   ├── job-target               接入策略的采集任务的 scrape targets 状态查询，包含 list 等命令
  │   ├── service-monitor          接入策略的 Kubernetes ServiceMonitor 采集规则查询，包含 list 等命令
  │   ├── pod-monitor              接入策略的 Kubernetes PodMonitor 采集规则查询，包含 list 等命令
  │   ├── custom-job               接入策略的自定义 Prometheus 采集 Job 查询，包含 list 等命令
  │   ├── addon-release            接入策略的已部署组件实例管理，包含 create|get|update|delete|list 等命令
  │   └── addon                    可用接入组件目录管理，包含 get|list 等命令
  ├── workspace                    工作空间管理，包含 create|get|list|update|delete 等命令
  │
  │                 # APP应用管理域
  ├── prometheus                   Prometheus 服务管理（包含Prometheus实例、聚合视图、RecordingRule等）
  │   ├── instance                 Prometheus 实例管理，包含 create|get|update|delete|list 等命令
  │   ├── view                     Prometheus 聚合视图管理，包含 create|get|update|delete|list 等命令
  │   └── recording-rule           RecordingRule 预聚合管理，包含 create|get|update|start|stop|delete|list 等命令
  ├── apm                          应用性能监控管理
  │   ├── service                  APM 应用服务管理，包含 create|get|update|delete|list 等命令
  │   └── configuration            APM 配置管理，包含 get|create 等命令
  ├── rum                          用户体验监控管理
  │   ├── service                  RUM 应用服务管理，包含 create|get|update|delete|list 等命令
  │   └── configuration            RUM 配置管理，包含 get|create 等命令
  │
  │                 # 告警与事件域
  ├── alert                        告警中心管理（包含告警规则、告警模板、告警历史等）
  │   ├── rule                     告警规则管理，包含 create|get|update|patch|delete|list|enable|disable 等命令
  │   ├── template                 告警规则模板管理，包含 list|get|create|update|delete|apply 等命令
  │   └── history                  告警触发与恢复的历史管理，包含 list 等命令
  ├── notification-channel         通知渠道管理
  │   ├── contact                  告警联系人（邮件、短信、钉钉）管理，包含 list 等命令
  │   ├── robot                    告警机器人（钉钉/飞书/企微群机器人）管理，包含 list 等命令
  │   └── webhook                  Webhook 回调地址管理，包含 list 等命令
  ├── event-hub                    事件中心管理，包含 list|get 等命令
  │
  │                 # 数据查询域
  ├── metric                       指标查询
  │   ├── promql                   PromQL 即时/范围查询及元数据检索，包含 query|query-range|labels|label-values|series 等命令
  │   └── basic                    云监控 1.0指标查询，包含 points|latest|range|top|export 等命令
  ├── trace                        Trace 数据查询，包含 search|tree 等命令
  ├── entity                       云资源与 EntityStore 查询，包含 query 等命令
  └── meta                         元数据查询，包含 metrics|namespaces|events 等命令