APO

行业内的项目正在探索自动化根因分析的技术路径：通过向模型输入来自分布式系统的metrics、trace由模型推断“哪个主机、哪个服务、哪条调用链”最可能是故障根源。

在可观测性领域，我们始终在追问一个问题：当系统出故障时，为什么定位和恢复还要这么复杂、这么慢？ 我们从一开始就在做一件事——降低产品使用门槛，让你在最紧急的时刻，能用最快的方式找到根因、恢复业务。 我

本次 APO v1.10.0 版本更新带来了以下新功能和问题修复： 更新日志 ⚠️ 兼容性提示 本版本新增了集群标识，用于支持按集群隔离采集数据。升级后： 旧数据将归属到“空集群” 新数据将归属到您设

背景 在当前AIOps领域，主流做法多集中在围绕 Trace、Log、Metrics 的机器学习建模与关联挖掘，寄希望于在复杂数据中“找出”故障根因。

本次 APO v1.9.0 版本更新带来了以下新功能和问题修复： 更新日志 新增功能 新增告警事件筛选功能，帮助用户更高效地定位关键信息，同时优化告警详情的描述内容，使信息表达更清晰 支持在告警分析中

本次 APO v1.8.0 版本更新带来了以下新功能和问题修复： 更新日志 新增功能 主题切换功能：新增暗黑模式与明亮模式切换，用户可根据个人偏好调整界面风格，提升使用体验。

本次 APO v1.7.0 版本更新带来了以下新功能和问题修复： 更新日志 新增功能 （企业版）告警分析：在大模型根因分析过程中展示匹配的真实数据，增强推理的可解释性 （企业版）告警分析：支持采集和展

当今云原生和微服务盛行的时代，分布式系统的复杂性与日俱增。保障系统稳定性、快速进行故障诊断成为了运维和开发团队面临的核心挑战。

本次 APO v1.6.0 版本更新带来了以下内容。注意本次更新存在破坏性变更，请参考官网的“安装手册”-“版本升级手册”进行升级。 更新日志 ⚠️破坏性变更 使用 PV 替换 HostPath 持久

APO 1.5.0版本全新推出的智能体工作流功能，让运维经验不再零散！只需将日常的运维操作和故障排查经验转化为标准化流程，就能一键复用，效率翻倍，从此告别重复劳动，把时间留给更有价值的创新工作。更贴心

Agentic workflow（工作流）：你的经验，Agents的灵魂 本次更新带来了专为可观测性系统设计的Agentic工作流编排功能。

Docker通过封装程序执行类库引爆了云原生技术革命，我们相信在人工智能时代，数据结合经验知识封装而成的Agentic workflow将引爆可观测性革命。

本次更新，APO 为大家带来了“团队”和“数据组”两个概念，让数据管理和团队协作变得更加简单和高效。现在，您可以轻松地将用户组织成不同的团队，并且为每个团队或用户设置个性化的数据访问权限。

云观秋毫是一家在可观测性领域帮助用户落地IT故障根因分析的初创企业。产品最开始使用传统的规则引擎来实现分析规则的执行，但是存在可解释性和定制化差等问题，所以2024年我们探索引入了大语言模型。

可观测性数据的关联方式及其优缺点 随着现代分布式架构和微服务的普及，可观测性（Observability）已经成为确保系统健康、排查故障、优化性能的重要组成部分。

在 APO v1.3.0 版本中，我们引入了对第三方告警事件的全面支持，旨在为用户提供一个更为集成和高效的告警分析平台。此次更新允许用户将来自不同来源的告警信息统一接入APO平台，从而实现告警事件的集

我们一直在持续推进APO项目的开发，同时希望与社区保持紧密联系，因此会定期分享 APO 开源项目的开发进展及未来规划。

APO 充分利用 Vector + ClickHouse 实现的日志方案，做到了开箱即用、高效、低成本。利用 APO 的日志功能，不仅可以检索日志内容本身，还可以实现很多有意思的功能。本次为大家介绍使

愿景 APO 致力于打造一个一键安装、开箱即用且简单易用的可观测性平台，我们希望每个用户都能够轻松部署并使用我们的工具，无需复杂的配置过程或深厚的技术背景。通过集成 eBPF 技术与 OpenTele

业界目前使用LLM做根因定位的思路 基于LLM构建智能体，比如日志智能体、网络数据智能体、Trace智能体。每种智能体负责两个事情：异常检测和自身范围内异常根因数据的推荐。目前很多公司的实际效果还处于