Circle K 如何借助 Amazon Bedrock 将 DevOps 故障分诊时间缩短至 15 分钟内
摘要
Circle K 基于 Amazon Bedrock 构建了一套智能体式自动化故障分诊系统,能自主调查告警并把结构化摘要推送到 Slack,使平均分诊时间从 45–60 分钟降至 15 分钟以内。
核心要点
- Circle K 在 27 个国家运营超过 17,200 家便利店与加油站,支撑 POS、忠诚度与电动车充电等应用的云原生基础设施运行在 AWS 上。
- 改造前,一次告警的人工分诊需 45–60 分钟:依次查看 CloudWatch 日志、OpenSearch 应用链路追踪、ECS 任务状态,并与 GitHub 中的内部 runbook 交叉比对症状。
- 系统采用 agentic AI 架构,在告警触发后数分钟内自主完成调查,并向值班工程师下发可直接行动的上下文,而非原始告警。
- 按团队内部的事件响应指标,上线后平均分诊时间降至 15 分钟以内,降幅为 67–75%。
- 架构起点是 Amazon Bedrock Flows,之后迁移至 Amazon Bedrock AgentCore,原文同时给出了两版实现与迁移经验。
原文佐证
- Since deploying this system, Circle K has reduced mean triage time to under 15 minutes, a 67–75 percent reduction based on the team's internal incident-response metrics.
- The company operates more than 17,200 convenience and fuel retail stores across 27 countries.
- An alert fires, and before anyone can fix the problem, an engineer spends 45–60 minutes figuring out what happened.
AI 洞察
这是 agentic AI 在企业内部运维这类后台场景中落地的一个可复制样板:价值来源不是模型本身多强,而是把“人肉捞上下文”这种确定性极强的重复劳动整体外包给智能体,这类内部效率场景往往比面向客户的产品更容易算清 ROI。更值得留意的是从 Bedrock Flows 到 AgentCore 的迁移路径,它说明企业需求正从静态工作流编排转向更自主、可托管的 agent 运行时,云厂商的竞争焦点也在从模型 API 转向 agent 基础设施。但效果数据全部来自客户自述的内部指标、缺少独立验证,且 15 分钟的收益上限很大程度取决于告警本身的质量与 runbook 的完备度,复制到告警噪声更大的组织时未必线性成立。