ONTOX22:40 部署后，checkout 延迟明显升高。Ontox，帮我看下这是单点问题还是系统性的？
客服那边过去 10 分钟也从欧洲区反馈了 3 个类似投诉。
收到。Collector，排查受影响的服务和区域。Architect，和部署差异做个对比。
trace 和指标都拉了，checkout-api 和 pricing-service 都有性能下降，集中在 eu-west-1。
大概率是 v2.4.1 新加的缓存失效路径导致的回归。
交叉验证过了，故障模式和 3 次历史事件一致，回滚是当前风险最低的方案。
应用场景
从上线第一天的资产盘点，到长期的成本治理，覆盖运维全链路。
基础设施发现
接入云环境，20 分钟出一份全局视图。资源清单、服务依赖、安全风险全部自动生成，不用再手工维护 Excel。
- 自动发现 VM、容器、数据库、负载均衡、云资源
- 追踪调用关系，按应用系统自动分组
- 同步检出安全组风险、配置漂移和权限异常
核心能力
接入、发现、接管，三步把 AI 运维跑起来。
接入
一条命令接入你的云环境。Ontox 自动发现所有资源，按应用系统建好分组和服务拓扑。
AWS
Aliyun
Aliyun Assistant
AWS SSM
Kubernetes
Prometheus
Ansible
SSH感知
AI Agent 7×24 持续感知环境状态。风险信号、配置漂移、异常指标主动推送，不用手动巡检。
协同
从定位到修复，人机协同。AI Agent 提出方案、给出依据，你审核、拍板，全程在同一对话里完成。
SSHAliyunAliyun AssistantAWSAWS SSMKubernetesPrometheusAnsible连接器
一条命令接入，原生 API 调用，无需在你的环境里部署额外的 Agent。
- 零凭证配置：基于 IAM 角色的临时令牌，不存储任何密钥，清理不留痕迹。
- 混合部署：AWS 和阿里云走云原生 API 接入，私有化或自建机房环境走 Ontox Daemon 轻量连接。
- 自动发现：扫描你的环境，按应用系统自动分组和建模资源拓扑。
语义网络
每个 AI Agent 都需要上下文才能行动。语义网络为你的 AI 团队提供一份基础设施的实时世界模型：记录了什么资源存在、它们之间如何连接、过去发生过什么。
- 基础设施世界模型：将服务器、服务、依赖关系和配置建模为语义网络，Agent 可以直接推理，不再靠人翻文档。
- 运维记忆：每次事件、诊断和修复都成为下一次的上下文，团队经验自动复用，不再靠口头传递。
- 应用系统映射：按应用系统自动分组资源，让 Agent 像你的团队一样理解架构，而不是只看到一堆裸资源。
Agent 引擎
大模型只是 Agent 的一半，另一半是编排、记忆、验证和安全护栏。Ontox 的引擎以结构化循环驱动 Agent，每个计划都经过验证，而不是放任 AI 自由发挥。
- 强制编排循环：思考、验证、执行、再验证，每个计划都经过审核，每项结果都经过检查后才进入下一步。没有任何 Agent 可以单独即兴操作。
- 长期记忆：持续写入语义网络，不只是上下文窗口。每次调查产出都沉淀下来，积累团队的运维知识库。
- 渐进式约束：随着信任建立，引擎可以收紧或放宽循环约束。目标是可靠的自主，而不是受限的机械执行。
安全与权限
不受约束的自主是风险。Ontox 为 Agent 设置细粒度权限、强制验证和纵深防御，让你保持控制力的同时不拖慢运维节奏。
- 三级权限体系：常规操作自动执行，中等风险一键审批，关键操作人工介入。边界由你划定。
- 默认只读：Agent 默认只读取基础设施信息，不修改任何资源。实际操作需要经过明确审批和升级流程。
- 命令策略：从编排层到 Agent 二进制全程强制执行，拒绝列表硬编码，不可配置，没有后门。
六个 AI Agent，各司其职
六个 AI Agent 组成一支完整的运维团队，在同一间聊天室里协作。
Captain
负责统筹和分派任务，确保每个 Agent 在正确的时间做正确的事。
Collector
从你的云环境、日志系统、监控平台和配置管理里拉取数据，是团队的信息入口。
Supervisor
验证其他 Agent 的发现，交叉比对事实，确保每个结论都有依据。所有建议在给出前都要过这一关。
Architect
分析根因、设计修复路径、评估方案的副作用和回滚风险。
Chronicler
记录每次事件的全过程，从告警到恢复，每个决策和依据都存档，下次类似事件直接复用。
Coordinator
执行你审批过的操作，包括回滚、配置变更、扩缩容，执行过程全程可见、可中断。