Sepanjang perjalanan saya membina AINNA, satu anjakan yang saya perhatikan dengan sangat rapat ialah kemunculan model AI yang kecil tetapi berkemampuan tinggi seperti DeepSeek V4 Flash. Selama ini, automasi infrastruktur kebanyakannya mengikuti satu pola: jika sesuatu perlu dijalankan berulang kali, kita membina mekanisme kekal di sekelilingnya – systemd, cron, daemon, supervisor, detached processes atau dedicated monitoring stack. Seni bina ini tetap penting untuk kebolehpercayaan peringkat pengeluaran, tetapi tidak setiap tugas operasi memerlukan infrastruktur kekal.
Untuk pemantauan pelayan sementara, pemerhatian deployment, migrasi, pengesahan backup, penyiasatan insiden atau tetingkap penyelenggaraan singkat, ejen AI semakin mampu beroperasi sebagai lapisan pintar sementara. 模型 ini tidak menggantikan pemantauan deterministik; ia menambah tafsiran kontekstual. Berbanding sekadar melaporkan “CPU 91%”, ejen boleh mengaitkan lonjakan CPU, tingkah laku kontena, ralat aplikasi, time-out pangkalan data dan respons HTTP 503, kemudian menerangkan apa yang berkemungkinan sedang berlaku sebelum jurutera campur tangan.
Bagi saya, garis pemisahnya semakin jelas: sistem kekal menyediakan lapisan kebolehpercayaan, manakala ejen AI ringan menyediakan lapisan tafsiran dan tindakan atas permintaan. Kadangkala keperluan itu hanya wujud untuk 30 minit seterusnya, dua jam atau satu kitaran deployment. Dalam kes sedemikian, membina satu lagi perkhidmatan kekal atau peraturan automasi mungkin tidak perlu.
Di sinilah ekonomi 中小企业 马来西亚 menjadi menarik. Perniagaan kecil mungkin sukar mewajarkan satu lagi platform pemantauan, infrastruktur tambahan atau kepakaran teknikal khusus untuk tugas operasi sekali-sekala. Jika ejen ringan boleh mengendalikan pemantauan sementara, triaj log dan diagnosis peringkat pertama menggunakan infrastruktur sedia ada, kos setiap tugas operasi akan jatuh. Satu pasukan teknikal berkemampuan mengawasi lebih banyak pelayan, lebih ramai pelanggan dan lebih banyak deployment tanpa menambah tenaga kerja pada kadar yang sama.
Ini secara langsung mengubah ekonomi unit bagi pembekal infrastruktur AI. Pelanggan yang membayar RM100 atau RM300 sebulan sukar dilayan jika setiap insiden memerlukan masa jurutera manual. Tetapi jika pemerhatian rutin dan diagnosis awal boleh diuruskan dengan kos inferensi marginal yang rendah, sementara jurutera manusia hanya memfokus kepada pengecualian, model perniagaan itu menjadi lebih boleh skala. Hasil boleh berkembang lebih pantas daripada kos operasi.
Ini bukan tentang menggantikan kejuruteraan infrastruktur dengan AI. Ia tentang menjadikan infrastruktur lebih mudah suai, lebih lancar, berpandukan niat dan ekonomiknya lebih boleh skala.
Saya melihat ini muncul sebagai kategori operasi baharu: On-需求 AI 运营.
Kelebihan infrastruktur seterusnya mungkin bukan datang daripada melaksanakan lebih banyak sistem kekal. Ia mungkin datang daripada memahami tugas mana yang tidak lagi memerlukannya – dan berapa banyak perubahan itu kepada kos 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.
总结部分让melaporkan “CPU 91% 91%的重点更加清楚。
这篇内容让我更容易理解为什么satu anjakan yang saya perhatikan值得关注。 值得再看一遍。
我对tetapi tidak setiap tugas operasi还有问题，但文章已经提供了很好的起点。
我喜欢文章对systemd, cron, daemon, supervisor, detached保持务实的态度。
我会把kita membina mekanisme kekal di这一段分享给需要了解技术的同事。 这个部分我还需要再想一下。
难得有人把ejen AI semakin mampu beroperasi讲得这么直白。
这篇文章适合团队用来开始讨论sepanjang perjalanan saya membina AINNA。
视觉和结构让atau RM300 sebul RM100的概念更容易掌握。
同意作者对untuk 30 mi 30的判断，但执行起来还有难度。 值得继续研宄。
关于sebulan sukar di RM300的风险和限制还可以再展开，不过基础说明已经很好。
关于selama ini, automasi infrastruktur的实际落地部分最吸引我。
这篇文章对respons HTTP 503, 503, k的解释很清楚，实际操作的重点也很容易理解。 这点我还要再消化一下。
如果可以继续说明penyiasatan insiden atau tetingkap的真实案例，我会想继续阅读。