AIOps探索：分享10个运维领域的Agent Skills

研究AIOps大半年后，整理了10个最具实战价值的运维Agent Skills，覆盖Docker、K8s、Terraform、Ansible、CI/CD到SRE和故障复盘
Tags:
Categories:

  2 分钟阅读  

研究AIOps大半年，目前手里有不少可落地的方案。越研究越发现Skills的重要性——用好Skills，可以让我们事半功倍。
**一句话说清楚：** AI Agent Skills 不是大模型能力的替代，而是能力的"精准化"——给 AI 一套明确的工具和上下文，让它从"什么都会但什么都不精"变成"某个场景特别能打"。今天分享10个运维领域里最有实战价值的 Skills。

研究 AIOps 越久，就越发现 Skills 的重要性。 当然不只是在 AIOps 场景中，其它场景里 Skills 同样重要。用好 Skills 可以让我们事半功倍，让 AI 从"通用助手"升级为"领域专家"。

今天这篇文章给大家整理了 10 个运维领域里非常实用的 Skills。

10个运维 Agent Skills 概览

一、Docker

把应用装进容器里，把 Dockerfile 写得更稳、更小、更安全。

能力：

  • 1帮你写 Dockerfile
  • 2把 Dockerfile 改得更小、更快
  • 3帮你写 docker-compose
  • 4排查容器启动失败
  • 5加 healthcheck、端口、环境变量、volume、网络配置
  • 6检查安全问题（root 用户、敏感信息泄露）

用在哪： Java / Python / Node / Go 应用做成 Docker 镜像、Dockerfile 太胖想瘦身、docker-compose 起不来、生产环境容器配置规范化。

**用法示例：** "这是我的 Node.js 项目结构，请帮我写一个生产可用的 Dockerfile，并解释每一行作用。" 或者 "这个 Dockerfile 构建太慢，帮我优化一下，要求镜像尽量小、不要用 root 用户运行。"

Docker Agent Skill 界面示意

二、Kubernetes Specialist

把服务部署到 Kubernetes，处理 Pod、Service、Ingress、RBAC、网络策略、存储和故障排查。

能力：

  • 1写 Deployment / StatefulSet / Service / Ingress
  • 2配置 ConfigMap / Secret / PV/PVC
  • 3配置资源限制和健康检查（readinessProbe / livenessProbe）
  • 4配置 RBAC 权限和 NetworkPolicy
  • 5写 Helm Chart
  • 6排查 Pod CrashLoopBackOff、服务访问不通、Ingress 异常

用在哪： 服务部署到 K8s、Pod 一直 CrashLoopBackOff、镜像拉不下来、Ingress 访问不了、服务之间无法通信、想把裸 YAML 改成 Helm Chart。

三、Terraform Engineer

用 Terraform 管理云资源——服务器、网络、数据库、权限、环境隔离。

能力：

  • 1写 Terraform 代码和目录结构设计
  • 2拆分 dev / test / prod 多环境
  • 3设计可复用 Module
  • 4配置 remote state 和 state lock
  • 5配置 AWS / Azure / GCP provider
  • 6检查 Terraform 代码的安全性和可维护性

四、Ansible Automation

批量管理服务器——装软件、改配置、打补丁、重启服务。

能力：

  • 1写 Ansible playbook 和 inventory 主机清单
  • 2写可复用的 Role
  • 3批量安装软件、修改配置、打补丁、重启服务
  • 4检查 playbook 是否幂等
**适用场景：** 还没完全上 Kubernetes，仍然有很多 VM 或物理机需要统一管理。适合批量部署 Nginx、配置防火墙、下发系统参数等操作。

五、CI/CD

设计和优化自动化流水线——从代码提交到测试、构建、扫描、部署。

能力：

  • 1写 CI/CD 流水线（GitHub Actions / GitLab CI）
  • 2优化流水线速度（缓存、并行、增量构建）
  • 3加安全扫描：SAST / DAST / SCA
  • 4加 Docker 镜像构建和自动部署
  • 5设计多环境发布流程
  • 6管理流水线里的密钥和 OIDC

六、GitHub Actions Workflow

专门用来写 GitHub Actions，配置测试、构建、安全扫描、发布和部署。

能力：

  • 1写 .github/workflows/*.yml
  • 2配置 push / pull request 触发和条件执行
  • 3配置 matrix 多版本测试
  • 4配置依赖缓存和 artifact 管理
  • 5配置发布流程（npm / PyPI / Docker 镜像）

七、Monitoring & Observability

设计监控、告警、日志、链路追踪——让系统出问题时能看得见、找得到、说得清。

能力：

  • 1设计监控指标体系（四大黄金信号）
  • 2写 Prometheus 告警规则
  • 3设计 Grafana dashboard
  • 4分析日志模式和异常链路
  • 5设计 OpenTelemetry 链路追踪
  • 6计算 SLO 和 error budget
  • 7优化告警，减少"狼来了"

八、SRE Engineer

从"救火式运维"升级到"可靠性工程"——定义 SLO、管理故障预算、减少重复人工操作。

能力：

  • 1定义服务可靠性目标（SLI / SLO）
  • 2计算和管理 error budget
  • 3设计 on-call 机制和值班流程
  • 4识别并减少 toil（重复运维工作）
  • 5设计混沌工程实验
  • 6做容量规划

九、Incident Triage

线上出事时，快速分诊——发生了什么、影响多大、该找谁、下一步怎么处理。

能力：

  • 1看告警内容和日志，提取关键信号
  • 2判断影响范围和严重等级
  • 3整理事件时间线
  • 4给出初步处置建议
  • 5判断是否需要升级处理
  • 6帮值班人员交接，生成复盘模板

十、Postmortem

故障结束后，写无责复盘——找根因、列改进项、明确负责人和截止时间。

能力：

  • 1整理故障复盘报告
  • 2用 5 Whys 做根因分析
  • 3用鱼骨图拆问题
  • 4区分直接原因和系统性原因
  • 5生成改进项，分配 owner 和截止时间
  • 6沉淀 lessons learned
**核心认知：** 复盘不是"甩锅大会"。好的 postmortem 关注"系统为什么允许这个错误发生"，而不是"谁犯了错"。

写在最后

10 个 Skills 覆盖了从容器化 → 编排 → IaC → 配置管理 → CI/CD → 监控 → SRE → 故障处理 → 复盘的完整运维链路。每一个都可以让 AI 从一个"通用助手"变成某个领域的"专家搭档"。

AIOps 的核心不在于大模型本身，而在于你能否为你的运维场景设计出精准的 Skills。

参考资料

相关链接

博客地址：https://jungelife.me/zh/