导读

线上问题复盘发现质量保障存在测试召回、有效性及排查止损时效性不足等痛点，根源在于保障对象多样演进、线上问题处置复杂。为此我们构建质量风险管控系统，本文分别从风险管理系统的构建思想&实践、风险感知系统的AI效果提升、风险控制系统的智能化建设等维度展开介绍，整体风险管控系统在构建过程效果、使用效果和质量结果等层面均取得较好效果。未来，AI将更深度参与质量风险管控过程，与人工协同构建更智能化的风险管控体系。

01 背景

在线上问题的复盘中，我们总结出质量保障的三大痛点：

（1）问题测试召回/感知能力的完备性不足：测试能力缺失导致问题漏检、监控报警缺失导致问题发现滞后；

（2）问题测试召回/感知能力的有效性不足：测试工具不稳定导致测试结果失真、报警配置不合理导致误报/漏报；

（3）问题排查与止损的时效性不足：线上问题定位能力缺失、定位止损慢、止损链路长，导致影响范围扩大。

究其根本，源于以下挑战：

（1）质量保障对象多样、海量且持续演进：我们面对数以万计至百万级的质量保障对象（如服务模块、词表、业务对象等），每类对象对应不同的质量风险与保障策略。同时，这些对象本身还在不断变化，要求质量保障方案具备动态适应能力——即实现对质量保障对象的完整、动态、高效识别与控制，确保在合适的阶段选用最优的质量保障策略组合，以召回潜在风险。

（2）线上问题处置复杂、动态且高度关联：线上系统面临大量动态风险（如变更、数据波动、流量与资源变动等），这些因素持续冲击系统稳定性。因此，我们亟需构建不依赖人、完备且高效的问题感知机制，并打造体系化、智能化的定位与止损能力，从而快速分析线索、实施干预，降低线上问题带来的损失。

为应对上述挑战，我们构建了质量风险管控系统（RMCS），该系统由三部分组成：风险管理系统（RMS-Risk Manage System）-前置消除风险、风险感知系统（ROS-Risk Observe System）-中期发现问题、风险控制系统（RCS-Risk Control System）-后置控制损失。

02 AI的质量风险管控方案

经过多年发展，伴随着AI的发展强大，质量风险管控经过起步阶段、发展阶段的建设积累，已经发展到关键的转型阶段：基于AI的质量风险管控阶段，我们普遍并深入的使用AI能力来解决质量风险管理全流程的问题，提升质量管控的效果和ROI。

△ 基于AI的质量风险管控整体架构

领域知识：把丰富的知识从各类入口、平台、配置以及人脑转移到标准的软件知识图谱中，以结构化知识和非结构化规范知识进行组织，按需转化为实体和关系，从而构建RMCS的丰富、标准、开放的知识图谱生态，实现海量信息的标准化、共享化存储。

RMCS核心能力

• RMS Agent （AI风险管理）：以 AI 为核心，打造具备 “感知 - 决策 - 执行 - 反思” 能力的智能质量风险管理系统，实现 “应拦尽拦”。RMS以开放策略生态思路，灵活管理 “对象质量能力、质量能力风险处置策略”，实现对不同刻画对象能力现状的刻画，驱动质量能力提升，最终通过风险管理应用平台，实现数据、策略、刻画、闭环等环节的统一产品管理。

• ROS  Agent（AI报警管理）：依托领域知识，打造风险实时观测与降噪能力，实现 “应报尽报”。ROS涵盖知识建设、监控创建、维护、评估、降噪及报警跟进等多个环节，覆盖风险管理（如前置监控完备性建设）与控制（如报警有效性、感知后跟进处置）两个阶段，是问题发现后的主要感知手段。

• RCS  Agent（AI值班人）：融合领域模型与领域知识，打造端到端 AI 值班人，具备自主 / 协同式的智能定位与处置能力，实现 “应快尽快”。RCS围绕问题发生到止损全环节，构建报警分类导诊、排查定位、止损等多个环节的智能化控制能力，实现对问题整体损失预期控制，托管全流程风险控制过程。

03 基于AI的质量风险管控核心能力介绍

3.1 RMS Agent （AI做风险管理）

传统质量建设过程的核心痛点包括质量能力缺失、质量能力退化等反复出现的问题，面对庞大且持续变化的质量主题和持续发展的质量保障能力，需要构建不依赖于人刻画和前置风险识别，风险管理系统RMS就是为了解决这种前置风险而产生的， RMS以知识图谱为基础，对质量保障『主体』上全生命周期『质量保障能力』进行持续的合理性风险评估、分发和处理流程管理，牵引『主体』的『质量保障能力』持续发挥预期价值，达到将风险约束在适宜位置/阶段的目的，最终实现3个根本性转变：

• 从“人治”到“数治”： 将风险管控从依赖专家个人经验和重复劳动的模式，转变为基于全域数据和AI模型进行系统性、自动化治理的模式。

• 从“孤立”到“协同”： 打破各业务线、各质量阶段之间的信息壁垒，通过统一的风险语言和协作流程，实现跨域风险的联动防控。

• 从“被动响应”到“主动预防”： 从事后补救的“救火队”模式，转向事中干预、事前预测的“预警机”模式，将风险尽可能约束在萌芽或早期阶段。

RMS核心关注的四大核心痛点和解决思路：

（1）“经验壁垒”与“人力瓶颈”问题： 风险识别、评估、决策高度依赖少数专家的个人经验，难以规模化、标准化和传承，RMS 将专家经验沉淀为可计算、可复用的知识图谱和AI策略模型，让系统具备“专家级”的风险认知和判断能力。

（2）“信息孤岛”与“认知局限”问题：业务系统、质量数据、保障能力等信息分散在不同部门，缺乏全局视角，RMS 通过构建覆盖“主体-对象-能力”的完备知识图谱，打通数据孤岛，形成统一的、相互关联的风险全景视图。。

（3）“响应滞后”与“漏反复”问题： 传统人工巡检和评审方式，风险发现不及时，处理周期长且可能陷入“发现问题-修复-再次发生”的恶性循环，RMS实现7x24小时的自动化风险扫描与监测，并通过策略闭环确保风险被有效分发和处理，防止复发。

（4）“成本高昂”与“灵活性不足”问题： 为每个业务线定制化搭建风控体系成本高、周期长，业务变化时，风控策略难以快速调整，无法适应敏捷开发和快速迭代的需求，RMS 通过中台化、组件化（拼装、插拔式）的架构，提供通用能力的同时，允许业务方低成本、高效率地自定义风控流程和策略，实现“开箱即用”与“灵活定制”的平衡。

RMS旨在从模式上、成本上、效果上重塑质量风险管理过程，****打破业务间壁垒，最大化降低业务质量经营成本。****整体方案依托软件知识图谱，以一站式质量经营为导向，构建包括实体对象管理、质量能力管理、风险策略管理、风险观测、风险分发处置等通用能力。标准能力支持业务自主拼装、插拔式使用，实现风险从认知到闭环的全流程管理。支持各种质量角色的参与，协同以达到持续提升质量经营水平的目的。

下面是RMS提供的部分核心能力展示，目前RMS接入实体106万，覆盖实体类型115类，建设能力项394个，累计发现风险16万+，并完成了91.46%的风险闭环，直接支撑业务风险前置挖掘召回和闭环。

基于多实体关系的大事件运营

风险智能闭环工作台

3.2 ROS  Agent（AI做报警管理）

监控报警建设核心要解决报警完备性、有效性两个问题，即一旦异常发生时，需覆盖全位置、全指标异常并有效感知，同时对异常引发的多维、重复、关联报警进行降噪，减少报警信号的流转干扰。

为此，ROS重点构建了报警自主生成&运维与报警智能降噪能力来解决报警完备性和有效性问题。本文从通用逻辑阐述 AI 监控管理方案。

为达到完备和有效的目标，需重点解决以下四大问题：

（1）如何做到完备的覆盖：构建完备的系统与业务知识，抽象所有监控对象并构建不同监控对象关系，结合监控基础知识与大模型，生成完善的监控覆盖方案，其中需要重点关注业务监控基础知识差异，同时使用影响范围、对象分层等作为输入进行方案构建。

（2）如何做到监控项智能生成：依据监控对象、关系、基础知识、数据 / 业务特征及经验，生成含监控对象、策略、关联参数、通知方式等的多维度复杂监控项参数，这里结合时序模型、大模型来综合判断，最终结合监控平台能力完成监控项的生成；监控生成分为完全自主生成（适用于场景明确、准确度高的场景）与协同式生成（需人工确认，用于初始阶段或准确度不足时），两种方式适合于不同成熟度的场景使用。

（3）如何做到异常智能识别：通过规则、时序模型、大模型、动态阈值等机制，判断数据或用例结果是否为问题，不同的监控平台、监控对象、数据特征、业务特征适合不同类型的异常检测策略。

（4）如何进行智能降噪：分析单个报警 、关联报警、多个报警的异常特征、关系及盯盘情况来综合判断是否需要进行报警通知，并结合风险程度、影响范围、时效性等解决无效打扰、报警淹没等问题，平衡质效。

下面是典型的业务&监控平台提供的能力示例如下，通过上述关键问题的解决，结合底层完备/准确的知识构建和场景化的应用产品，监控召回率保持90%+，报警生成比例78%，部分业务监控降噪比例已达到60%。

报警生成示例

切流导致的报警降噪（绿色点不通知）示例

3.3 RCS  Agent（AI值班人）

风险控制系统主要解决报警后跟进及时性、排查准确性与效率问题，通过快速找到有效止损线索并止损缩小影响，将问题损失控制在最小范围，会面临以下几个关键问题：

（1）匹配最优跟进人 / 方案：如何结合问题影响面、跟进代价与时效性，明确 AI 或真人跟进的成本与效果。

（2）提供排查线索与止损预案：如何依据业务经验、变更信息、系统知识、历史故障等，匹配最契合排查链路/工具找到正确的线索并从预案库筛选最优止损方案，实现快速止损。

（3）解决跟进过程信息与人员混乱：针对多角色、多团队参与的线上处置场景，尤其长链路业务信息差问题，需要构建端到端事件管理机制，确保及时找对负责人、同步信息，减少干扰与维护成本。

为了解决上述问题，构建了一套统一的RCS建设方案，可实现基于AI的全方位风险控制能力。

方案中有几个关键部分，展开介绍如下：

（1）问题导诊：报警后快速明确风险影响面、跟进方（AI or 真人），提供智能排查结论，按业务特点构建导诊策略（如影响面、风险对象、业务类别等），实现差异化问题处置通路。

（2）端到端事件管理：搭建事件管理产品，覆盖事件感知、建群、排查、止损、总结、跟踪全生命周期，提供流程管理、信息互通等核心能力，同时完成事件信息的统一中心化存储，实现 MEG 线上事件标准化管理。

（3）AI值班人自主处置（常见于慢损问题）：对影响小、暂无需真人介入的问题，AI 通过定位工具调度、对话分析、人员地图等能力，完成初步分析、变更确认、标注等工作，确认是线上问题后再转真人跟进。自主处置AI值班人的目标是自主完成问题处置，所以需要建设完善的定位工具调度、单对单对话、自然语言分析、人员地图能力，并能够实现拟人化的信息确认和自主分析。

（4）AI值班人引导处置（常见于快损问题）：快损问题需真人与 AI 协同，AI 以助手身份提供线索推荐、工具推荐、止损操作推荐、事件盯盘等支持，且可动态调整策略（如根据损失预估切换止损方式），触达正确人员快速判断，快损事件的关键目标是快速止损，所以无论是触达效率、有损止损动作选择权衡等均需要以综合损失最小快速止损为目标。

（5）高危事件管控中心：针对业务与系统关联复杂的情况，构建全局管控中心与 MEG 高危事件 AI 值班人，与各业务 AI 值班人协同，实现事件信息、工具、线索互通，避免因信息差延误止损。

通过持续的能力建设和数字化构建，线上问题的智能定位覆盖率和准确率稳步增长，同时为了解决问题损失（等级）和MTTR的耦合关系，构建了基于损失速度分桶的损失控制达标率指标，该达标率同样持续提升至93%。AI值班人开始持续在风险控制过程中发挥作用，AI值班人协助率达到96%，端到端协率完成协助率达到40%。

04 总结&展望

随着RMCS能力的建设，质量结果得到了非常有效的控制（如下图）。

（1）从线上问题数量上看，线上问题总数逐年降低，25年对比22年降低比例超过53%，说明我们具备了将问题前置拦截通过风险呼唤前置解决的能力。

（2）从线上问题等级上看，严重问题数量也在持续降低，说明我们具备了快速问题感知和控制的能力，将高损问题转化为低损问题。

展望

目前质量风险管控已经发展了AI转型的重要时期，已经从使用AI解决工具问题变化为使用面向AI构建知识、产品，AI从辅助人慢慢的开始在更多场景可以替代人，因人的投入限制质量保障工作的限制会逐步被突破，质量风险管控后续也可能会变成人和AI更深度协同分析的局面，AI发挥自我学习、24h oncall、智能化的特长完成绝大部份的风险管控，正式员工发挥知识构建、训练AI并构建符合AI的管控产品，最终协同构建更智能化的风险管控目标。