现状与痛点

在大数据集群（EMR）的日常运维中，告警处理长期依赖人工响应，存在以下突出问题：

上下文分散，排查耗时

一次告警触发后，运维人员需要在多个系统之间来回切换：登录监控平台查看指标曲线，进入 YARN / HDFS / Hive 等组件界面确认任务状态，翻查日志平台定位异常堆栈，再到工单系统或变更记录中核对近期操作。信息碎片化严重，单次告警的上下文收集往往就要花费数分钟甚至更久。

高度依赖个人经验

告警与根因之间并非一一对应。同一个"节点磁盘使用率过高"的告警，可能是数据倾斜、日志暴涨、清理任务失效或历史数据堆积导致，判断结论高度依赖运维人员的经验积累。新手难以快速定位，老手也容易被重复劳动消耗精力。

响应链路长，故障窗口被拉长

从告警触发 → 人工介入 → 收集信息 → 分析判断 → 执行处置，链路长且串行。在夜间、节假日或人手紧张时，响应延迟进一步放大，业务受损风险随之上升。

处置动作不统一

不同人员对同类告警的处理方式存在差异，缺乏标准化沉淀，问题反复出现，难以形成闭环。

AI 告警诊断简介

功能概述

EMR Agent AI 告警诊断能力，将传统 “人工驱动” 的告警处理模式升级为 “AI 自动诊断”。
运维人员在 EMR Agent 中订阅云监控上已配置的告警规则后，当告警触发且满足分析频率策略时，Agent 会自动收集相关上下文、分析可能原因并提供处置建议，无需人工逐次发起诊断，减少跨系统查询和重复排查工作。
该能力支持 7×24 小时自动诊断，并通过分析频率控制，减少持续告警带来的重复诊断和 Token 消耗。

说明

核心价值：自动收集上下文 · 智能根因分析 · 7×24 实时响应 · 标准化处置建议

告警分析频率与降级策略

为避免对持续告警进行重复分析，降低 Token 消耗，EMR Agent 会根据同一告警的持续情况自动调整分析频率。

默认分析策略：对于同一告警，Agent 每 2 小时最多执行一次分析。在频率限制期间重复触发的告警，仍会被系统正常接收并记录，但不会重复调用 Agent，从而避免产生重复的诊断结果和 Token 消耗。
持续告警降级：如果同一告警按照默认策略持续处理满 7 天，且仍未解除，Agent 将自动降低分析频率，调整为每 24 小时最多执行一次分析。对于长期未解除的告警，该策略可以减少重复分析和 Token 消耗，同时保留后续诊断机会。
告警恢复后重新触发：本轮持续告警结束后，该告警下一次重新出现时，Agent 将恢复默认分析策略，即每 2 小时最多执行一次分析。新的告警周期将重新计算。只有再次按照默认策略持续处理满 7 天，且告警仍未解除，才会再次降低分析频率。

注意

分析降级仅指分析频率降低，不代表告警风险降低，也不代表问题已经恢复。建议收到告警后及时查看 Agent 的诊断结果，并结合实际情况采取处置措施，避免问题持续扩大，影响业务运行和生产环境稳定性。
该策略仅调整 Agent 的智能分析频率，不影响告警的正常接收与记录。

操作指南

前置条件

确保已开通 EMR Agent 服务，参考文档：EMR Agent 开通指南

订阅流程

EMR Agent AI 告警诊断提供两个入口：EMR Agent 助手 和 运维中心 - AI 告警诊断。以下为完整订阅步骤：
步骤 1：通过 EMR Agent 助手进入

步骤 2：跳转至运维中心
点击后会跳转到运维中心的 AI 告警诊断页面。

步骤 3：一键勾选订阅告警
在运维中心页面，一键勾选订阅云监控上已配置的告警规则。

步骤 4：查看 AI 诊断结果
当告警触发通知时，EMR Agent 会自动开始分析诊断，并给出分析结果。