01从人工排查到15分钟内分诊
Circle K在27个国家运营超过17,200家便利店和燃油零售店；店面背后的云原生基础设施运行在AWS上，支撑销售点系统、忠诚度应用和电动车充电应用。随着数字业务扩展，服务越多、告警越多，每起告警在修复前都要重复手工排查，分诊负担随之增加。54
AWS机器学习博客2026年11月2日刊出的文章称，Circle K为此构建了自动化分诊系统，使用Amazon Bedrock。这是AWS的全托管服务，通过单一API提供基础模型。文章说，部署后平均分诊时间降到15分钟以内；按团队内部事件响应指标，降幅为67%—75%。这里的“分诊”指修复前判断发生了什么、影响哪个服务以及可能原因，并不等于修复本身。31
02代理如何调查一起告警
系统采用agentic AI架构，也就是让AI代理调用工具、按步骤执行调查，而不只是生成文字。Grafana告警经Amazon SNS转发到Amazon SQS队列，由Lambda函数取出告警内容并调用Amazon Bedrock Flows编排流程；两个代理并行查询：一个查AWS资源状态、指标和日志，另一个查应用日志与分布式追踪，并访问记录服务及依赖关系的内部知识库。2
随后，GitHub代理拿到前两个代理的发现，再搜索受影响服务的代码、基础设施定义和近期提交，定位问题来源并提出具体修复建议。最后，一次不带工具的模型调用把AWS资源数据、OpenSearch日志和GitHub上下文合成结构化摘要，内容包括可能根因、支持证据、受影响服务和负责人、建议修复步骤，并发到Slack。文章称，这份摘要的格式可让值班人员用不到2分钟浏览。2
03结果口径与使用边界
文章将系统目标描述为自动完成重复的上下文收集、给值班工程师结构化发现，同时保留工程师在调查中的判断。文章先介绍了基于Amazon Bedrock Flows的初始实现，并称后文还说明向Amazon Bedrock AgentCore的迁移；上面所述是初始Flows架构。23
需要说明的是，15分钟以内和67%—75%的降幅是文章引用的Circle K团队内部事件响应指标，衡量的是分诊阶段，不是故障修复总时长。该文由AWS人员与Circle K云DevOps工程师合写，这些数字来自团队内部指标，文章未将其呈现为第三方独立测评结果。1
原文摘录
文中的小数字对应下面的英文原句，点句子或“原文 ↗”可打开英文原文。
Since deploying this system, Circle K has reduced mean triage time to under 15 minutes, a 67–75 percent reduction based on the team’s internal incident-response metrics.原文 ↗
The system uses an agentic AI architecture to investigate each incident autonomously and deliver a structured summary to Slack within minutes of an alert firing.原文 ↗
To address it, Circle K built an automated triage system using Amazon Bedrock , a fully managed service that makes foundation models (FMs) available through a single API.原文 ↗
来源：AWS 机器学习博客 ↗ · 数字均为来源方口径，未经我们独立验证