在线联机原型全集第 59 章导航：自学习服务器与自监督运维调度
第 59 章「自学习服务器（Self-learning Server Brain）」属于第 6 层自治世界层，把第 49 章的检测与第 50 章的自愈再推进一步：服务端不只是按规则修复，而是用自监督学习与强化学习持续优化自己的调度与运维策略。核心验证 Self-Supervised Ops 与 RL 调整。本页给出该章的定位、验证目标、技术栈建议与文章入口。
tag
AIOps
共 6 篇文章。
在线联机原型全集第 49 章导航：AI 运维检测与时序异常预测
第 49 章「AI 运维检测（AI Ops & Anomaly Detection）」属于第 5 层概念原型，是全集中第一篇章从「玩法」转向「服务自身健康」的 PRD。它要验证用 LSTM 一类时序模型从指标与日志中预测异常，并输出可被执行的自愈规则。本页给出该章的定位、检测与规则两大验证方向、技术栈建议与文章入口，并衔接第 48 章经济系统与第 50 章自愈游戏服务器。
AI 智能体与可观测性：MCP 工具接入与智能排障
深度讲解 AI 智能体如何通过 MCP 协议接入可观测性数据：智能体需要什么观测数据、MCP 工具与 schema 定义、让 Agent 查询指标/日志/trace（PromQL 沙箱/日志检索/trace 分析）、结构化工具响应与置信度、权限与安全边界（只读/范围/审计）、从辅助排障到自动修复的落地路线。
AIOps 异常检测：从阈值告警到机器学习根因
深度讲解 AIOps 异常检测工程实践：固定阈值告警的局限、时序异常检测方法（统计/机器学习/监督）、动态基线（Madlib/Prophet/内置模型）、告警关联分析与根因定位、噪声与误报治理（收敛/去重/聚合）、AIOps 平台能力与落地路线。
AIOps 测试：可观测性平台、告警系统与时序异常检测的验证工程
深入 AIOps（智能运维）系统的测试工程：可观测性数据管道测试、告警规则验证与抑制、时序异常检测算法评估（准确率/漏报/误报）、根因分析验证、自愈系统闭环测试、AIOps 管道回放与金丝雀，构建运维 AI 系统的质量保障。
「产品矩阵平台」未来演进方向
产品矩阵平台未来演进方向：微前端与微服务融合、Serverless、Event Mesh、Data Mesh、DSL 配置化后端与 AIOps 的前瞻架构路线图。