Palo Alto Networks上周推出了一种全新的AI驱动可观测性方法，标志着行业正从仪表盘与人工事件响应，转向能够自主调查问题并提出修复建议的AI智能体。
Cortex XCOR是一款AI驱动平台，旨在实现可观测性领域的"终极目标"：自动定位问题根源并提出修复方案，而不仅仅是将技术人员引向各类仪表盘。
该公司表示，云原生架构在规模与成本方面的基础性挑战，此前一直阻碍着这一目标的实现，而在AI浪潮之前的自动化手段也显得迟缓低效。Palo Alto Networks于今年1月收购了云原生可观测性平台与遥测数据管道公司Chronosphere，以此为基础开发实时智能体修复能力。
Cortex XCOR由Chronosphere团队在Palo Alto Networks内部打造，旨在将可观测性从静态仪表盘与人工修复，转变为以AI为核心的体验，从而实现对常规问题及复杂问题调查的自动化处理。
Palo Alto Networks可观测性业务高级副总裁兼总经理Martin Mao告诉The New Stack，当警报触发时，Cortex XCOR会自动启动一个专门的智能体，该智能体能够自主推理潜在问题，并提出应对措施与缓解方案。
Mao表示："我们不希望再让工程师在深夜被叫醒去看懂仪表盘；说白了……我们根本不希望他们被叫醒。虽然XCOR默认采用人工介入模式，但工程负责人可以逐步扩大其自主权限，最终让团队获得完整的睡眠时间。"
告别仪表盘苦差事与排障烦恼
如果像XCOR这样的技术得以蓬勃发展并广泛普及，我们有理由预期站点可靠性工程师（SRE）的角色将超越仪表盘式的日常苦差。随着"AI SRE"这一新角色逐渐成形，自动化将聚焦于常规根因分析与故障排查。
Mao强调："目前我们正处于这样一个阶段：SRE的工作方式类似于飞行员——飞行平稳时可以依靠自动驾驶，但一旦出现问题，驾驶舱里仍需要经验丰富的飞行员。通过自动化故障排查，工程师可以把更多时间投入到更具战略意义的架构工作中，而不是整天忙于救火。"
BairesDev的Dev Barometer分析显示，目前42%的开发者表示AI能够编写他们至少一半的代码，相比去年的12%大幅提升。显然，这种代码生成速度的提升，需要配合以安全为核心的监管机制。
Mao补充说："SRE的工作方式会像飞行员一样，平稳飞行时依靠自动驾驶，但出问题时仍需要经验丰富的飞行员坐镇驾驶舱。"
Palo Alto Networks最新推出的产品还包括XCOR Operator，这是一款AI助手，据称能够帮助"运维团队跟上AI编码的速度"，并提供上下文相关的支持。Mao及其团队表示，XCOR Operator之所以强大，在于它"能够理解用户意图"，并作为对话界面，调度幕后执行任务的各类专业智能体。
从预设规范到赋予推理模型访问权限与能力
Mao回忆道："XCOR Operator解决复杂问题的能力远超我最初的预期，这让我感到十分惊讶。它不仅改变了我与平台及可观测性工作流程的交互方式，还促使我从根本上重新思考我们的产品设计理念。我们正在从为功能和工作流程制定严格的预定义规范，转向为推理模型提供恰当的访问权限与能力，让它们自行探索抵达答案的各种路径。"
Mao表示，如今可观测性平台的典型用户需要根据整体部署环境扮演多重角色，他们要忙于调查事件、调整警报与仪表盘、优化数据量等诸多工作。而借助Cortex XCOR，每一类角色都对应有专门优化的AI智能体，能够端到端地完成这些特定任务的工作流程。
根据Mao就此次更新撰写的博客文章，当警报触发时，AI SRE智能体会自动启动，自主推理潜在问题，并在平均不到三分钟的时间内提出应对措施与缓解方案；在复杂生产环境中，其根因分析成功率达到75%，另有19%的事件分析结果被认为具有参考价值。
人工响应仅定位问题就需耗时20分钟
相比之下，人工响应仅定位相关问题、收集初步背景信息并找到合适的值班工程师，就需要耗时20分钟。
Mao确认："我们对目前平均不到三分钟的响应时间感到满意，这是在客户逐渐熟悉这种新体验的前提下取得的。目前，当事件发生时，我们会先向工程师发出告警，而他们登录平台通常需要几分钟时间。在这段时间里，XCOR已经完成了调查工作，因此三分钟已经能满足我们当前的需求。"
随着用户对分析结果的信任不断增强，并逐步实现修复自动化，Palo Alto Networks将把重点转向缩短响应时间。Mao认为团队"已经基本掌握"实现这一目标所需的条件，并指出"成本是一个重要因素"，同时Token价格也在持续下降。
Mao进一步解释，若没有端到端的完整可见性与上下文信息，该平台的所有自动化推理都无法实现。Palo Alto Networks在今年7月宣布计划收购高精度真实用户监控公司Embrace，并计划将其所称的前端RUM（即XCOR RUM）与自家的XCOR Synthetics以及后端与基础设施可观测性整合，打造一个全栈平台。
一味救火，难以实现前瞻布局
如果软件工程团队错失这一可观测性优势，情况会糟糕到什么程度？Mao指出，最糟糕的情况是工程师把100%的时间都花在救火上，而无法投入创新或为业务创造价值。他认为，由于故障排查本就是工程师工作中压力最大的部分，这种状况可能导致"大规模职业倦怠"，而AI生成代码的日益普及只会进一步加剧这一风险。
Mao说："不受控制的可观测性就像一只精力过剩的小狗——充满潜力，但如果放任不管，就会把预算全部拖垮。随着云原生与AI工作负载的激增，遥测数据量正呈爆炸式增长，企业需要内置的管控机制。Chronosphere为这些成本套上了'缰绳'，确保团队在获得全面可见性的同时，不会面临失控的账单。这正是数据优化与成本效益始终是XCOR核心使命的原因所在。"
支撑这一全栈可见性工作的核心技术是XCOR Fabric，它为AI智能体提供实时的应用、基础设施及机构背景信息。
XCOR Fabric的核心数据来源包括：组织的知识图谱（描述为融合基础设施、应用与业务逻辑的实时模型）、运维记忆（从过往事件调查中获取的历史背景信息）、用户行为（此处指运行特定查询并访问特定仪表盘的资深工程师），以及源自运维手册、文档与操作文件的人工知识积累。
Q&A
Q1：Cortex XCOR是什么？它能做什么？
A：Cortex XCOR是Palo Alto Networks推出的AI驱动可观测性平台，核心能力是自动定位问题根源并提出修复建议，而不只是将技术人员引向仪表盘。当警报触发时，它会自动启动专门智能体自主推理问题并给出应对方案。
Q2：Cortex XCOR的响应速度有多快？
A：Cortex XCOR平均能在不到三分钟内完成调查并给出根因分析，复杂生产环境中成功率达75%，另有19%的分析被认为具有参考价值。相比之下，人工响应仅定位问题就需耗时约20分钟。
Q3：Cortex XCOR会完全取代工程师的工作吗？
A：目前不会。XCOR默认采用人工介入模式，工程师仍需在系统给出建议后进行确认或处理。公司表示工程负责人可以逐步扩大其自主权限，但不会立即实现完全无人干预。
