在軟體運維領域，大語言模型（LLM）的應用正日益受到關注。然而，現有研究由於資料質量低下、知識碎片化以及學習不充分等問題，尚未能實現高效、有效的端到端智慧運維。為了解決這些挑戰，研究人員提出了OpsLLM——一個專注於軟體運維的領域專用大語言模型，它同時支援基於知識的問答（QA）和根因分析（RCA）兩種關鍵任務。該研究詳細披露了構建軟體運維LLM的完整流程，為行業提供了一個可復現的框架。
OpsLLM的構建過程分為三個主要階段。首先，引入了一個人工參與的迴圈機制（Human-in-the-Loop），從大量運維原始資料中精心篩選出高質量的資料，並構建用於微調的資料集。這一步驟確保了模型訓練所使用的資料具有高相關性和準確性，避免了低質量資料對模型效能的負面影響。其次，基於篩選後的資料，研究人員進行了監督微調（Supervised Fine-Tuning），從而得到一個基礎模型。這一階段使模型能夠初步掌握運維領域的知識和模式。最後，在強化學習階段，研究團隊引入了一個領域過程獎勵模型（Domain Process Reward Model, DPRM），專門用於最佳化微調模型在根因分析任務上的準確性和可靠性。DPRM透過獎勵正確的分析過程，引導模型更有效地進行因果推理。
在實驗評估中，OpsLLM在多種難度的任務上進行了測試，涵蓋了不同複雜程度的問答和根因分析場景。結果表明，OpsLLM有效學習並與其注入的運維領域知識對齊，在問答任務上準確率提升範圍達到0.2%至5.7%，而在根因分析任務上提升更為顯著，達到2.7%至70.3%。這一提升幅度充分證明了OpsLLM在特定領域任務上的優越性。此外，該模型還展現出強大的可遷移性，意味著它能夠適應不同的運維環境和任務需求。
為了推動該領域的進一步發展，研究團隊計劃開源三個版本的OpsLLM，引數規模分別為7B、14B和32B，同時附帶一個包含15K條資料的微調資料集。這一舉措將極大地降低其他研究者和企業構建類似系統的門檻，促進軟體運維智慧化的發展。OpsLLM的出現不僅為當前運維難題提供了有效的解決方案，也為未來更高階的智慧運維繫統奠定了基礎。