摘要

近年来，利用大语言模型（LLM）的困惑度（Perplexity, PPL）作为文学风格量化指标的研究逐渐兴起。既往研究指出，在晚清“同光体”诗歌中，高困惑度往往对应着极高的艺术评价，体现了该流派“生涩奥衍”的审美追求。本文以《花间集》为研究对象，结合明代文学家汤显祖的评点数据，引入自回归（Causal LM）与掩码语言模型（Masked LM）两种计算范式提取语义与风格特征。研究发现，婉约派词作呈现出与“同光体”截然相反的评估特征：受名家偏好的词作，其困惑度与评价呈强负相关（系数达 -0.83）。这一发现揭示了婉约词“文从字顺、辞采丰赡、拒绝生僻”的审美特质，证明在计算美学领域，不同文学流派需采用差异化的量化评估范式。 继续阅读……

传统安全模型在昼夜不息、无限分身的 AI 智能体面前迅速失效——我们正在见证一次真正的方法论革命。 继续阅读……

随着 GPT-5.3 和 Claude-4.6 的发布，OpenClaw 的风行，智能运维似乎终于要到达某种“奇点”。从日志异常检测、根因分析，甚至故障自愈，AI SRE 智能体替代日常运维工作看起来已成定局。但我发现，SigNoz 公司上周发表了一篇观察(AI Isn’t Replacing SREs. It’s Deskilling Them)，同时还有另一份相似的科研论文(How AI Impacts Skill Formation)，二者共同论证了一个概念：AI 不是在赋能 SRE，而是让 SRE “技能退化”。 继续阅读……

也谈运维智能体的“自进化”

最近腾讯林兆祥的一个分享《Cloud Mate：自进化的排障 Agent 平台》，在运维圈引起了较大的反响和讨论。设计思路从生物学借鉴了诸多概念，非常吸引听众。可惜 Cloud Mate 是腾讯的内部系统，分享里很多设计细节无法公开。 继续阅读……

大模型编程已经流行一段时间了，一般拿出来比拼的都是怎么写前端。每次厂商更新发布，都喜欢炫一炫页面生成如何如何丝滑。但在此之外，对现有项目的功能迭代，大模型能力如何，就不是那么好展现了。我之前主要也是用大模型做一些临时性的小开发，用完即丢。这次突发奇想，打算给现有项目做个增量开发迭代，看看实际表现如何。 继续阅读……

每个运维都想有一个能替自己 7*24小时干活的AI运维智能体，全自动的做故障分析、定位、修复自愈。随着大模型的发展，梦想好像已经要慢慢变成现实了。但RSAC Labs最新发布的研究成果《当AIOps变成”AI Oops”》，提出了一种全新的攻击方式——AIOpsDoom攻击，可以让你的智能体，在不知不觉中执行黑客的攻击指令！甚至还以为这就是最佳修复方案。 继续阅读……

随着大模型厂商纷纷跟进发布 Deep Research 功能，我们在 2025 年正式迈入一个全新的“AI智能体时代”。从智能客服、自动化交易，到具身智能，智能体在各行各业全面开花。然而，这些高度自主化的智能体系统，也给 IT 运维部门带来了新的挑战：如何确保其运行的稳定性和可靠性。当智能体出现异常时，运维要如何发现问题、定位根因并进行修复加固？这就是今天我想给大家分享的内容——智能体时代的可观测性。 继续阅读……

最近各种AI编程工具都在宣传”一句话建站”，仿佛只要说一句”帮我做个电商网站”，AI就能自动生成完美的产品。 继续阅读……

判决书里有些内容记录很好玩，我摘录几条： 继续阅读……

用 AI 模型来分析日志，发现未知异常，是目前非常流行的监控手段，之前我也介绍过这一类日志异常检测算法。不过你有没有想过一种可能性：你的日志 AI 模型会被黑客注入后门，AI 平常该怎么告警还怎么告警，关键时刻却“故意”漏报异常日志？ 继续阅读……

一年前，笔者曾写过一篇《离大模型全面接管运维还有多远》，探讨了当时几篇运维领域大模型的进展。一年过去了，大模型技术本身可谓日新月异，各种开源闭源模型层出不穷，能力也肉眼可见地增强。那么，在运维这个“老大难”的领域，大模型应用是否也水涨船高了呢？我们是不是离那个“NoOps”又近了一步？ 继续阅读……

近期，可观测性 2.0 概念引发了国内外友商们的广泛关注与热议，greptimedb 公司《什么是可观测性 2.0 ？什么是可观测性 2.0 原生数据库？》引用了 honeycomb CTO Charity Majors 的文章，介绍了宽事件(wide event)的概念和自己针对这个概念的底层设计，flashcat 公司《可观测性2.0？还是只是日志的卷土重来？》则批判性地翻译了 Hydrolix CTO Todd Persen的文章——Todd Persen 在 Charity Majors 观点的基础上，进一步认为应该提供高性价比的原始日志存储方案，并提供超脱在运维以上的业务价值——而 flashcat 则认为这个观点不方便利旧，落地难度更高，还是选择上层串联的方式更实用。 继续阅读……

在八个月前的《日志易 SPL 实现基于大模型的海量日志总结》中，我曾经展示了一种综合 TFIDF 向量化、KMeans 聚类和 DPP 多样性采样算法，实现日志总结的方案。现在新一代的大模型，普遍可以支持 128k 的上下文窗口大小，激进一点的，比如 gemini、minimax，运用线性注意力机制，甚至实现了 1M 以上的窗口。很多人就有疑问了：我是不是直接把几千行日志一口气上传给大模型，要求 AI 总结就足够了？ 继续阅读……

一、背景：MCP 协议介绍

在 AI 蓬勃发展的当下，大型语言模型（LLM）虽展现出强大潜力，却受困于与外部资源连接的难题。数据分散、接口繁杂，致使 AI 模型难以灵活对接本地资源与远程服务，极大限制了其响应质量与工作效率。而就在这一关键时刻，MCP Server 强势登场，成为破局的关键力量。尤其随着 Manus 的火爆出圈，MCP Server 也备受瞩目，迎来了飞速发展，短短 1 个多月时间，数量已超 5000 个 。 继续阅读……

昨天看到安全村 SecUN 公众号上发表了一篇署名为奇安信副总裁张卓的文章：《通过DeepSeek现象思考大模型落地的正确路径》。文章很长，内容很多，看起来非常扎实。但其中一些技术细节和数据，值得商榷。 继续阅读……

因为 deepseek 的母公司幻方做量化基金的缘故，相当多的一大批大模型新用户们，想当然的认为大模型可以用来炒股！一些半懂不懂的 IT 从业人员，也觉得大模型完全可以用来处理时序指标数据。一些运维的公众号软文里，已经开始写怎么用 deepseek 做监控——那么，大_语言_模型，直接读监控指标，真的可行么？ 继续阅读……

当我们沉迷AI搜索，背后有一场“看不见的战争”

最近，上海寸屋拉面店在门口打出的广告爆红网络，广告内容很神奇，是该店被DeepSeek推荐为“上海最好吃的日本拉面TOP1”： 继续阅读……

过年前后，deepseek 大火特火的时候，安全圈突然爆出 deepseek 的数据库泄露了！研究团队的原始内容参见：https://www.wiz.io/blog/wiz-research-uncovers-exposed-deepseek-database-leak。 继续阅读……

上一篇《Splunk Conference 2024解读》里，我提到 grafana 和 splunk 都在探索怎么降低 trace 的存储空间。今天展开聊聊。 继续阅读……

Splunk Conf24 最近公开了分享内容，这是 Splunk 被 Cisco 收购后的第一次年度技术大会。我看了一遍，大概总结有这么几个要素： 继续阅读……

toB 软件由于专业性较高，很难像 toC 软件那样上手就玩。于是软件使用文档写得好不好，相对来说显得比较重要。我们经常可以看到类似的抱怨：“这文档写的，完全看不懂”。 继续阅读……

前段时间，阿里开源了qwen-agent，可以对长文档进行 RAG 增强的对话问题。但在对话之前，还缺了第一步——人们总是习惯先问一句“总结一下这篇文档说了什么”，然后再根据总结来具体提问。“长文总结”，其实是大模型应用要过的第一关。 继续阅读……

“完成优于完美”不仅仅是一句口号，更像是Datadog技术作者的座右铭。毕竟，谁不想在“完美”的文档上留下自己的痕迹呢？😉 继续阅读……

日志易 Text to SPL，从广义概念上属于 Text to SQL 的一种变体。经过接近一年的尝试探索后，我们的第一个正式版即将推出。正好我在 AiDD 上海站听了好几家 Text to SQL 的分享，发现他们的各种路线我们都尝试过了。这下也更有信心，可以给大家分享一下我们的探索过程。 继续阅读……

上一代 AIOps 的问题

关注 AIOps 日志算法的读者朋友们可能都知道，在日志解析方面，香港中文大学开源的 Drain 在几年前基本已经一统江湖。就连 elasticsearch 的 categorize_text aggregation 实现也使用了 Drain 算法。 继续阅读……