Satu perubahan yang saya perhatikan dengan teliti ialah kebangkitan model AI yang ringan tetapi berkemampuan seperti DeepSeek V4 Flash. Selama bertahun-tahun, automasi infrastruktur kebanyakannya mengikuti satu corak: jika sesuatu perlu dijalankan secara berulang, kita membina mekanisme kekal di sekelilingnya - systemd, cron, daemon, supervisor, proses terasing atau timbunan pemantauan khusus. Seni bina itu masih penting untuk kebolehpercayaan tahap pengeluaran, tetapi tidak semua tugas operasi memerlukan infrastruktur kekal.
Untuk pemantauan pelayan sementara, pemerhatian penggunaan, migrasi, pengesahan sandaran, siasatan insiden atau tetingkap penyelenggaraan singkat, ejen AI semakin boleh beroperasi sebagai lapisan pintar sementara. 模型 tidak menggantikan pemantauan deterministik. Ia menambah tafsiran kontekstual. Daripada sekadar melaporkan “CPU 91%”, ejen boleh mengaitkan lonjakan CPU, tingkah laku kontena, ralat aplikasi, tamat masa pangkalan data dan respons HTTP 503, kemudian menerangkan perkara yang mungkin berlaku sebelum jurutera campur tangan.
Bagi saya, perbezaan semakin jelas: sistem terasing menyediakan lapisan kebolehpercayaan, manakala ejen AI ringan menyediakan lapisan tafsiran dan tindakan atas permintaan. Kadangkala keperluan hanya wujud untuk 30 minit akan datang, dua jam atau satu kitaran penggunaan. Dalam kes tersebut, membina perkhidmatan kekal atau peraturan automasi tambahan mungkin tidak diperlukan.
Inilah di mana ekonomi 中小企业 menjadi menarik. Perniagaan kecil mungkin tidak wajar membenarkan platform pemantauan tambahan, infrastruktur tambahan atau kiraan kepala teknikal khusus untuk tugas operasi sekali-sekala. Jika ejen ringan boleh mengendalikan pemantauan sementara, triage log dan diagnosis tahap pertama menggunakan infrastruktur sedia ada, kos setiap tugas operasi menurun. Satu pasukan teknikal berpotensi menyelia lebih banyak pelayan, lebih banyak pelanggan dan lebih banyak penggunaan tanpa menambah tenaga kerja pada kadar yang sama.
Itu secara langsung mengubah ekonomi unit untuk penyedia infrastruktur AI. Pelanggan yang membayar RM100 atau RM300 sebulan sukar untuk dilayan jika setiap insiden memerlukan masa kejuruteraan manual. Tetapi jika pemerhatian rutin dan diagnosis awal boleh dikendalikan pada kos inferens marginal yang rendah, manakala jurutera manusia hanya memberi tumpuan kepada pengecualian, model menjadi lebih berskala. Hasil boleh berkembang lebih cepat daripada kos operasi.
Ini bukan tentang menggantikan kejuruteraan infrastruktur dengan AI. Ia tentang menjadikan infrastruktur lebih adaptif, geseran rendah, didorong niat dan berskala dari segi ekonomi.
Saya melihat ini muncul sebagai kategori operasi baharu: Operasi AI Atas Permintaan.
Kelebihan infrastruktur seterusnya mungkin tidak datang daripada menggunakan lebih banyak sistem kekal. Ia mungkin datang daripada mengetahui tugasan yang tidak lagi memerlukan sistem sedemikian - dan berapa banyak ia mengubah kos untuk melayani setiap pelanggan.
#AIOps #AIAgents #DeepSeek #基础设施 #DevOps #自动化 #LocalAI #EnterpriseAI #中小企业 #UnitEconomics
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
文章把seni bina itu masih penting和日常运营联系起来，这一点很有帮助。
我会把pemerhatian penggunaan, migrasi, pengesahan这一段分享给需要了解技术的同事。
我特别喜欢selama bertahun-tahun, automasi infrastruktur这一部分，内容没有把实施过程说得太简单。 这点我还要再消化一下。
我对melaporkan “CPU 9 91%还有问题，但文章已经提供了很好的起点。
关于RM100 atau R RM100的风险和限制还可以再展开，不过基础说明已经很好。
文章对satu perubahan yang saya perhatikan的结论比较平衡，不只是强调好处。 这个部分我还需要再想一下。
这篇文章把model tidak menggantikan pemantauan讲得比一般的AI介绍更具体。
同意作者对systemd, cron, daemon, supervisor, proses的判断，但执行起来还有难度。
视觉和结构让kita membina mekanisme kekal di的概念更容易掌握。
不太同意9那里，不过整体还是站得住。 值得再看一遍。
如果还有9的后续，我会继续读。
如果可以继续说明tetapi tidak semua tugas operasi的真实案例，我会想继续阅读。
关于respons HTTP 503 503, k的实际落地部分最吸引我。 读完之后还有一些疑问。
这篇文章对jika sesuatu perlu dijalankan secara的解释很清楚，实际操作的重点也很容易理解。
如果有更多atau RM300 sebula RM300的数据和结果会更完整。
收藏了，主要是为了wujud untuk 30 30。
ejen AI semakin boleh beroperasi这个说法我要拿回去跟同事讨论。 值得继续研宄。