2025年政府工作报告指出：“激发数字经济创新活力。持续推进‘人工智能+’行动，将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用”。人工智能已成为驱动新质生产力的重要引擎，正在为经济的高质量发展注入新的动力。交通银行积极践行大行责任，落实国家战略部署，以算力中心、全栈自主创新云、人工智能为重点，加速推进算力基础设施建设整合，优化布局体系。同时交通银行积极实践人工智能技术，持续加大AI大模型在金融业务的创新应用，扎实做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章，坚定不移推进金融高质量发展，为中国式现代化贡献力量。
网络运维是保障业务连续性最重要的环节之一。作为银行数智化转型的重要基础支撑，网络面临着规模快速增长、业务灵活扩展、安全稳定可靠等多重挑战。如何借助大模型技术突破海量数据分析、专家经验沉淀、智能决策闭环等共性运维瓶颈，成为业界普遍关注的热点问题。站在转型的十字路口，交通银行利用业界优秀大模型底座，全力革新网络运维体系，定义了全新的“网络运维大模型”架构，积极探索全场景、全流程、全协同的智能运维实践。
基石之上，网络运维大模型勇于破局
在人工智能&大模型技术成熟之前，交通银行数据中心融合多平台能力，构建了基于规则引擎的网络可视化系统，实现了基于预制策略的网络设备评估、应用健康度自检、故障事件辅助定位等功能。但受技术限制，值班、应急等场景的分析工作仍然高度依赖运维专家经验判断，运维处置场景泛化水平亟待提升。
自ChatGPT引发全球大模型技术浪潮以来，交通银行便启动了大模型在运维领域的分析和探索，持续跟踪技术演进趋势，深度挖掘大模型在网络运维领域的应用价值。2024年10月，交通银行联合华为等头部厂商，成立网络运维大模型专项攻关组。以生产实际应用为导向，围绕数通知识问答、日常变更、告警处置等场景，构建起人员敏捷化、开发快迭代式的运作机制，快速完成网络运维大模型架构设计，并建立起大模型底座能力评估体系。2024年12月数据中心已对DeepSeek系列模型实施全维度性能验证与场景适配测试，并在2025年2月完成R1满血版模型私有化部署，有效提升了网络运维大模型底座支撑能力。
当前，交通银行基于DeepSeek、盘古等大模型，结合小模型协同与多工具联动，构建了覆盖值班处置、应急抢修、生产变更、知识问答的全场景智能化“网络运维大模型”体系，实现运维流程闭环。通过整合行内经验知识库与跨厂商通用知识库，构建多场景网络运维智能体，有效提升网络运维效率，保障网络基础设施稳定运行，护航全行业务创新发展。
图：“网络运维大模型”架构
深耕为壤，全流程全场景AI赋能运维
鉴于网络运维领域的专业性和复杂度，大模型智能运维在实际落地过程中，通常面临如何植入现有工作流程、如何结合现网运维工具、如何利用行内丰富的运维经验等多重挑战。为保障大模型智能运维顺利落地并发挥实际应用价值，交通银行将网络运维大模型和四大运维高频场景深度融合，从场景、数据、流程多维度深耕，加速了大模型和智能运维的双向奔赴。
· 值班处置-全天候自动化诊断与决策
值班处置是保障网络稳定运行的关键防线，但往往面临着工具协同不足、健康评估滞后、处置效率参差的痛点。交通银行网络运维大模型创新性构建了一套完整的值班处置流程，以业界优秀大模型为底座，融合小模型、工作流及特色提示词工程能力，使大模型发挥最佳效果。在流程设计环节，通过学习行内告警预案流程，自动生成告警处置工作流，支持自然语言灵活更新，降低了开发和维护成本。在告警处置过程中，值班智能体实时接收来自全行网络监控系统的告警信息，并对其进行根因分析和等级排序，由告警智能体匹配处置工作流。同时，基于大小模型协同，准确调用行内工具API，自动执行告警排查步骤，形成了值班告警分析到处置的全流程自动化闭环，有效提升告警分析和处置效率，减轻了值班人员的工作压力。
此外，网络运维大模型持续动态地对网络整体运行状态进行健康评估，提供实时、历史运行状况综合分析和量化评分，并给出优化处置建议。网络管理员能全局审视网络状态，不断提升网络健康度，保持网络安全稳定运行。
图：值班处置流程示意图
· 应急抢修-多维度快速响应与协同处置
网络应急抢修是对突发事件的紧急排查和处理，也是日常运维工作中压力最大的场景。为了实现故障定位及修复的“快”和“准”，交通银行开发了多维度辅助定位工具，如日志采集和分析工具、变更可视化工具、拨测工具、一键自检工具等，但抢修效率仍高度依赖运维人员对关联信息的综合分析情况。
交通银行构建了“应急抢修智能体”，自动进行多维故障数据关联分析。在输入应用名称或网络区域名称后，应急抢修智能体并行提取告警平台实时告警数据、变更平台应用或区域变更数据、一键自检系统网络健康数据等，并将获取到的告警、变更、自检结果等信息进行关联分析，推理出故障根因。同时，协同大小模型，创新引入最长公共子序列匹配小模型，进行相关数据降噪、冗余剔除，减少大模型输入token长度，提升推理性能。应急抢修智能体构建了两层大模型故障分析框架：第一层实现多维数据并行采集、治理及单领域异常信息关联分析，实现单领域故障根因判断；第二层根据故障场景自动生成推理思维链，再次进行所有单领域评估结果的综合分析和关联分析，辅助值班人员快速推导出最终根因。
图：应急抢修流程示意图
· 生产变更-风险预判与变更智控引擎
生产变更是业务升级迭代的必经之路，也是引发故障和错误的高危环节。通过技术手段实现变更配置自动生成、配置正确性审核、变更影响仿真等来降低变更风险迫在眉睫。
交通银行通过大模型能力整合网络运维领域知识库，含技术方案、配置最佳实践、历史配置等核心语料，提供智能化配置生成与优化服务。同时，创新性构建了语法合规性、配置冲突检测、业务逻辑验证等多层校验机制，保证配置校验维度的完整性。从而既帮助运维人员从繁琐的配置检查中解放出来，又提高了脚本编排效率及配置正确率，降低变更风险。此外，通过引入数字孪生技术，实现生产网络信息实时同步，构建了涵盖地理位置、物理拓扑、逻辑拓扑、应用拓扑的四维网络模型。基于该模型，实现配置变更基于现网信息的仿真预演，如通过模拟路由表和转发表，检查变更前后应用访问路径，提前发现并规避IP地址冲突、黑洞路由、路由环路等潜在问题，全方位多维度评估变更影响，确保变更操作安全可靠。
图：变更流程示意图
· 知识问答-多模态智能运维交互中枢
网络运维日常工作需要查询各厂商设备、配置、告警等各类信息，还需要参考行内运维案例、应急预案等，高效的信息获取方式尤为重要。然而运维环境复杂，既面临设备厂商繁杂、型号多样、配置差异显著、告警频发等挑战，又存在信息孤岛，关键知识分散于不同文档和工具中，知识获取效率低下。
网络运维大模型作为智能知识中枢，深度融合多厂商产品手册、维护指南、应急预案等专业文档，以及行内沉淀的丰富运维经验。依托强大模型基座，结合交通银行特色提示词工程优化，提供精准、高效的对话式知识服务，涵盖网络协议解析、告警解读、命令生成、日志分析、故障排查、应急方案生成等各类场景。一键输出系统化、高准确率的专家级建议，显著提升运维知识获取效率。
拾级而上，大模型智能运维未来潜力无限
自2016年Gartner提出AIOps概念至今，网络运维正在经历传统运维到智能运维演进的漫长历程。以DeepSeek为代表的通用大模型技术突破，为智能运维体系带来了革命性变革。交通银行基于“网络运维大模型”实现了经验平权，减少了对个体经验的过度依赖，提升了组织韧性，实现了运维质量与团队效能的双重提升。
然而，面对数据量激增、技术快速演进和运维环境复杂化的三重挑战，大模型智能运维仍需持续创新与迭代。当前网络运维大模型还处于起步阶段，交通银行将通过以下技术路径持续深化应用能力。首先，推进多模型协同能力，融合提示词工程优化与结果整合策略，持续提升模型精度；其次，结合大模型分析总结能力和小模型敏捷性优势，实现网络运维大模型分析处置效率的阶梯式提升；再者，通过扩充多维源数据和优化长序列处理能力，强化数据分析和风险预测深度，推动“被动运维”到“主动预判”，从“局部优化”到“全局统筹”转型，保障网络稳定和业务连续性。智启未来，大模型必将在网络运维领域释放巨大潜能，为交通银行数智化转型保驾护航，书写金融高质量发展的新篇章。
本文转载自：金融电子化
文：交通银行数据中心 戴凯明 刘鹏
交通银行数据中心汪燕、牛拓、赖信、陆延琦、郝婷婷、何张满宇、张乐、周智浩对本文亦有贡献
✽本文资讯仅供参考，并不构成投资或采购等决策建议(承兑)。
