每年11.11，都是对京东技术保障体系的一次集中检验：高并发流量、复杂业务链路、多团队协同交织在一起，考验的不只是系统稳定性，更是信息聚合、风险判断与协同推进。
今年11.11，京东零售技术保障现场出现了一位新的"队友"——数字人队长。它不是简单的问答机器人，也不是替代人的自动化指挥系统，而是面向大促保障场景构建的 AI 作战伙伴，一个典型的 Super Agent。
我们把它与京东内部协同办公工具京me 原生打通：大家日常使用的群聊、文档、平台，直接成了 AI 参与协作的工作环境。不需要打开一个新页面，也不需要把背景重新描述一遍——风险发生在哪个群，它就在哪个群干活。
围绕这位"数字人队长"，我们和京东零售技术保障团队聊了聊。

一、为什么11.11需要“数字人队长”？

Q：大促保障的真正难点是什么？为什么过去的方式不够用了？

A：大促保障的难点，从来不只是"没有监控配置"或者"没有平台工具"。

真正困难的是，当风险发生时，团队能否在最短时间内回答几个关键问题：现在发生了什么？影响范围多大？最近有没有变更？应该找谁处理？下一步该先降级、回滚，还是其他解决措施？

过去，这些信息分散在监控平台、日志系统、变更记录、压测报告、预案平台和多个群聊里。队长和专家需要不断切换系统、追问进展、汇总结论。越是大促高峰，信息越密集，协同成本越高。

数字人队长要解决的，正是这个问题：把分散的信息快速聚合起来，把专家经验转化成可复用的分析能力，把群聊里的碎片化讨论整理成清晰的行动项，让队长能够更快掌握态势、更稳推进闭环。

大促保障的信息并不少，难的是更快把信息转化为行动。

Q：数字人队长到底是什么？它和普通机器人、自动化指挥系统的本质区别在哪？

A：普通机器人更多是"你问我答"：用户提出问题，机器人从文档库中检索并生成答案。它通常是无状态、单轮、面向知识检索的——而且是被动的：你不问，它永远沉默。

数字人队长不一样。用行业里最新的说法，它是一个Super Agent，而不是一个 Chatbot。差别可以拆成三层。

第一层，它在你工作的现场。Claude 在 Slack 里，数字人队长在京me群里，直接参与群内协作，共享同一段讨论的上下文。它不是你需要另外登录的系统，而是群成员列表里的一位员工-- 有昵称、有ID。

第二层，它具备跨群上下文。它记得这个群昨天讨论过什么，那个降级预案上周被谁提及过，同一条风险在另外三个群里推进到了哪一步。人是带着记忆开会的，Agent 也必须是。

第三层，它会主动出来做事。它既能在需要时主动发言，也能调用工具，开展系统架构评审、容量风险评估和代码风险分析。

在今年11.11保障中，数字人队长以小队形式协同作战，围绕备战统筹、架构评审、故障应急和工单答疑，我们对应推出大促队长、高可用架构师、GOC、SRE和技术支持数字人，共同构成了面向大促保障的人机协同能力：人负责关键判断并承担责任，数字人负责在线、聚合、分析和协同。

Q：它的核心理念是什么？为什么说这不是“多了一个机器人”，而是组织经验的工程化？

A：我们不是要做一个会聊天的机器人，而是想把大促统筹、高可用架构评审、风险评审和应急处置中的专家经验，沉淀成数字人可调用的能力。

过去，这些经验沉淀在专家个人身上：某个业务域在什么时间点出过什么问题，哪类变更需要重点防御，哪种容量水位必须提前干预。很宝贵，但很难在高压现场被实时调用。

所以方案沿着三条线走：经验萃取，把专家经验变成可调用的能力；能力落地，落到AI容量评估、AI巡检、AI故障定位这些具体场景；组织提效，让风险发现更快、证据聚合更快、上下文拉齐更快、闭环推动更快。

从人盯系统，到AI辅助聚合、分析、协同和沉淀。

整体架构简述

二、经验萃取：让专家经验成为可调用的能力

Q：具体萃取哪些经验？技术底座是什么？为什么不是单一大模型能解决？

A：萃取的不是静态文档，而是大促保障里的“判断过程”和“处置技能”。主要包括：大促队长的高风险评审经验、高可用架构评审经验、风险识别与升级经验、应急处置经验、历史故障复盘经验，以及容量、变更、巡检、预案等SRE技能。

这些经验不会只停留在知识库里，而是逐步产品化为数字人可调用的能力。比如RCA分析、变更防御、容量预测、巡检规则等，都可以沉淀为标准的SRE Skills。数字人队长通过插件调用，把大模型的理解能力和工程平台的确定性能力结合起来。所以它看起来只是在群里说话，真正支撑它的并不是单一大模型能力，而是一套面向技术风险场景构建的能力体系。

第一是场景理解能力。它需要判断当前对话发生在什么场景中：是备战推进、风险跟进、压测异常、线上告警，还是事后复盘。只有先理解场景，后续的回答和任务调度才能有的放矢。

第二是知识增强能力。大促规则、保障流程、业务域职责、历史故障经验、高可用规范和平台文档，都是数字人队长需要理解和调用的知识。它不是凭空生成答案，而是在组织知识和实时上下文基础上进行分析，避免模型产生幻觉。

第三是环境交互能力。技术保障不是聊天场景，问题最终要回到日志、监控、变更、容量、巡检、预案等系统中去验证。

第四是自我进化能力。每一次演练、排查和复盘，都会产生新的经验。过去这些经验容易停留在专家脑海或群聊记录里，现在通过“取、用、存、理、萃”的机制，可以进一步沉淀为规则、知识和技能，让下一次保障少走弯路。

Q：大模型容易幻觉，但技术保障要求确定性。你们如何保证建议可验证、可追溯？

A：核心原则是：不让模型自由给结论。

技术保障场景和通用问答不同，它要求每一个判断都能回到数据源、时间点和工程证据。数字人队长在辅助定位时，给出的不是一句“可能是某变更导致”，而是尽可能形成可追溯的证据链：哪条告警、哪个时间窗口、哪次变更、哪段异常堆栈、哪个指标拐点、哪个下游依赖。

知识增强让它不脱离组织知识和实时上下文；工具调用让它必须回到日志、监控、变更、容量、巡检、预案等系统中验证。这样，它更像一个"证据聚合与推理助手"，而不是"答案生成器"。在应急现场，专家最需要的不一定是AI直接给答案，而是AI把分散的证据更快、更完整地送到面前。可验证、可追溯，比“看起来聪明”更重要。

三、能力落地：AI容量评估、AI巡检、AI故障定位

Q：AI容量评估解决什么问题？它和传统容量评估有什么不同？

A：AI容量评估更强调提前识别容量风险。

大促前，容量风险往往不是单点问题，而是业务增长、活动计划、流量峰值、资源水位、依赖容量、缓存和数据库压力等多因素叠加的结果。传统方式更多依赖人工经验、历史数据和静态规则，AI容量评估则尝试把这些因素动态关联起来，更早发现潜在瓶颈。

它不替代架构师和SRE的判断，而是帮助团队更快缩小关注范围，把有限的人力投入到真正高风险的地方。

Q：AI巡检如何把专家经验变成自动化风险发现？

A：AI巡检的核心，是把高可用规范、大促Checklist、历史故障模式、变更风险规则等专家经验，转化成可执行、可复用的巡检能力。

过去，巡检更多依赖人工按清单执行，或者依赖固定阈值告警。AI巡检可以对配置、容量、依赖、变更、预案等结合实时上下文识别潜在风险，并把发现的问题转化为可跟进、可闭环的行动项。

它解决的是“专家经验难以规模化复用”的问题。让更多团队在大促前，就能用接近专家视角的方式发现风险。

Q：AI故障定位如何辅助队长？它会不会直接给结论？

A：AI故障定位的核心作用是“快速聚合证据，辅助队长判断方向”，而不是替代专家下结论。

当线上或压测中出现异常时，数字人队长可以联动日志、监控、变更、代码分析等能力，帮助团队快速判断异常是否与最近的配置中心变更、应用异常堆栈、缓存访问超时或数据库写入压力上升有关。

它给出的不是简单结论，而是一条可追溯的证据链，便于专家快速确认。比如哪条告警先出现、哪个时间窗口发生变更、哪个指标出现拐点、哪个下游依赖异常，都可以被聚合到同一个视图里。

四、组织提效：从消息流到任务流

Q：数字人队长在现场具体做哪几件事？

A：如果用一句话概括，数字人队长在现场做的是三件事：看清态势、辅助定位、推动闭环。

首先是看清态势。大促期间，队长需要同时关注多个业务域、多个活动、多个风险点。数字人队长可以从群聊、风险卡片、告警信息和保障流程中提取关键上下文，把“现在有哪些风险、谁在处理、进展到哪一步、还缺什么动作”整理成更清晰的作战视图。

其次是辅助定位。当出现异常时，它可以联动日志、监控、变更、代码分析等能力，帮助团队快速建立证据链，辅助判断方向。

最后是推动闭环。很多风险不是发现了就结束，真正重要的是否有人接手、是否形成方案、业务是否恢复。数字人队长可以帮助提醒责任人、汇总进展、沉淀行动项，让保障工作从“消息流”走向“任务流”。

最终提升的是协同效率：更快发现风险、更快聚合证据、更快拉齐上下文、更快推动闭环。

Q：这些事是它自己开始做的，还是被叫去做？

A：这也是 Super Agent 和工具最实际的区别：该说话的时候，它自己开口。

一个群一天两百条消息，谁都看不过来。普通机器人得等有人想起它、@它、把问题描述清楚，才动一下。数字人队长不一样：这条告警和上周那次变更的时间点对得上，它先说；这个活动下游三个团队还不知情，它先同步；风险卡片挂了四十分钟没人接，它 @ 责任人。

但"主动"最难的部分，不是说，是忍住不说。

大促现场最怕的不是信息少，是噪音多。一个到处刷屏的 Agent，三天就会被所有人静音。所以"主动发言"是有阈值的：证据不够不说，没有新增信息不重复说，人已经在处理时不打断，同一个结论不在五个群里各喊一遍。一个不会闭嘴的 Agent，比一个不会说话的 Agent 更危险。

主动还有个更硬的部分：不光说，还得干。生成风险卡片、拉协同群、把散落讨论整理成 Action 项并 @ 到人、跑巡检脚本、对比两次变更的差异——这些动作都可以由它在授权范围内执行，而不是"建议你去看看"。很多判断也不能靠"聊"得出：缓存命中率掉了没有、接口 P99 拐点在哪一分钟、这次变更改的是哪几行，它会自己写一段查询代码查询并核实相关数据。

Q：跨群协作是怎么回事？为什么要强调"沉淀"？

A： 因为大促的风险，天生是跨群的：一个活动在 A 群定方案，B 群在压测，C 群在处置告警，D 群在做复盘——同一条线索被切成四段，谁都拼不出全貌。

Super Agent 可以同时在所有群。这是我们做 Super Agent 时最朴素的一个判断：数字人队长的第一层增量，不是比人聪明，是比人"在场"得更全——把 A 群的活动变更同步到 B 群，把 C 群的告警结论带回 A 群，把四个群零散的讨论在复盘时拼成一条时间线。

第二层增量是沉淀。过去这些经验留在聊天记录里——翻不到，也传不开，下次换个群等于从零开始。现在跨群的经验会被抽出来：这次为什么误判、哪个信号早就出现了、哪类变更必须重点防御，都会变成规则和技能。人记住一次，Agent 记住每一次。

Q：数字人队长在群里做什么？

A：数字人会根据不同群的任务、成员和场景，自动切换关注重点：在备战群里提前发现风险，在应急群里快速协同处置。当前，数字人已经进入多个备战和应急群，成为大促保障中的一类新型协同角色。

在队长协同群中，队长数字人会关注活动筹备、风险识别、上下游同步、高可用评审和行动项沉淀。它的价值在于把风险尽可能前置。比如热门新品预售活动上线时，下游技术团队可能存在信息感知滞后。数字人队长能够自动识别活动信息并主动同步上下游，把群内讨论自动整理成Action项，减少“信息差”带来的保障盲区

在线上应急群中，GOC数字人更关注告警响应、故障协同、影响面分析、变更关联、进展追踪和复盘辅助。它的价值在于异常发生后，更快聚合证据、明确责任人、推进恢复。它可以帮助团队从告警、变更、日志、监控中快速建立关联，缩短从“发现异常”到“确认方向”的时间。

Q：目前落地效果如何？有哪些可量化指标？

A：据团队介绍，目前数字人队长已全面进入京东全量应急与备战群，每周服务超过3000+人。借助其辅助，压测与异常定位准确率冲向90%+，协助队长在10分钟内完成关键定位。

相比过去完全依赖人工追问和手动汇总的方式，团队在信息聚合、定位辅助和协同推进上的效率有了明显提升。

五、边界与未来：AI增强人，而不是替代人

Q：AI会替代大促队长吗？自动化边界如何设计？

A：不会。

在大促保障中，AI不应该成为新的不确定性。数字人队长的定位始终是“增强”与“辅助”，而不是“替代”。

这里要特别说清：主动 ≠ 自主决策。Agent 可以主动开口、主动查证、主动建卡片，但它主动做的每一件事，都停在"把信息送到人面前"和"把机械动作执行掉"这条线之内。它不会自己按下回滚键，不会自己判定业务影响，也不会自己给一次故障定责。

AI 的自动化边界，我们在设计之初就定得很死：

• AI负责：7×24小时在线感知、辅助识别风险、聚合跨平台证据、生成处置建议、提醒协同人员以及整理复盘项；
• 人负责：确认实际影响、决策是否升级、最终按下一键回滚或切流的执行按钮，以及对复盘结果进行定责与把关。

关键判断、风险升级、业务影响确认、恢复策略选择和最终决策，仍然由真实队长和专家负责。

数字人队长不是替人做决定，而是帮助人更快做出高质量决定。大促保障需要速度，也更需要审慎。我们在设计上始终强调三件事：可验证，是结论要有证据；可追溯，是证据要能回到数据源和时间线；可协同，是最终要落到责任人、行动项和闭环上。

Q：从工具到队友，数字人队长下一步会走向哪里？

A：从工具到队友，数字人队长的出现，代表的是大促保障方式的一次变化。过去经验沉淀在专家个人身上，现在一部分开始沉淀到知识库、技能体系和协同流程中；过去队长要在多个系统和群聊间来回切换，现在数字人帮助队长聚合信息、辅助判断、推进闭环。

往前看还有一步: 智能托管。我们目前在Super Agent或者近期火热的Personal Agent的基础上，面向组织提效，按照工种划分，统一构建知识、技能和工具（以及可控进化），构建不同工种的组织智能体，其实叫department agent更合适，目前整体的协同模式偏向agent协助人主动做事，下个版本的答案，我们觉得是当人授权department agent托管部分事项后，agent每日自动帮人处理对应事项，有不清楚、不明确的再来咨询人，并将处理过程中的新经验萃取为知识和技能，持续完善自身能力。