Iberdrola 利用 Amazon Bedrock 和 AgentCore 优化 ServiceNow 运营

基本信息

摘要/简介

作为全球最大的公用事业公司之一，Iberdrola 拥抱前沿的人工智能技术，旨在彻底变革其在 ServiceNow 中的 IT 运营。通过与 AWS 合作，Iberdrola 利用 Amazon Bedrock AgentCore 实施了多种代理架构，重点聚焦三大领域：优化草稿阶段的变更请求验证、以情境智能丰富事件管理，以及借助对话式 AI 简化变更模型选择。这些创新有效减少了瓶颈，帮助团队加速工单解决，并在全组织范围内实现一致且高质量的数据处理。

导语

作为全球公用事业的领军者，Iberdrola 正通过 AWS 探索人工智能在 IT 运维中的深度应用。本文详细介绍了其利用 Amazon Bedrock AgentCore 构建多代理架构的实践，重点涵盖变更请求验证、事件管理及模型选择等核心场景。通过阅读，您将了解该技术如何优化工作流瓶颈、加速工单解决，以及如何实现全组织范围内的高质量数据处理。

摘要

Iberdrola（伊维尔德罗拉），作为全球最大的公用事业公司之一，通过采用前沿的人工智能技术，成功实现了其 ServiceNow 平台中 IT 运营的变革。

在与 AWS 的合作中，Iberdrola 利用 Amazon Bedrock AgentCore 实施了多种智能代理架构，重点优化了三个核心领域：

  1. 变更请求验证优化：在草稿阶段即介入，优化验证流程。
  2. 增强事件管理：利用上下文智能丰富事件处理能力。
  3. 简化变更模型选择：通过对话式 AI 便捷地选择合适的变更模型。

这些创新举措有效减少了运营瓶颈，不仅帮助团队加速了工单解决速度，还确保了整个组织数据处理的持续性与高质量。

评论

中心观点： 本文展示了Iberdrola通过AWS Amazon Bedrock AgentCore在ServiceNow中构建多智能体架构，标志着能源行业IT运维正从“脚本化自动化”向“目标导向的自主智能体”范式转移，其实践证明了在私有化/混合云环境下，通过基础模型编排而非单一模型来解决复杂企业工作流的可行性。

支撑理由与深度评价：

  1. 架构演进：从RAG到Agentic AI的跨越

    • [事实陈述] 文章指出Iberdrola利用AgentCore构建了不同的智能体架构。
    • [你的推断] 这意味着Iberdrola不再满足于简单的“检索增强生成（RAG）”即问答模式，而是进入了“Agentic AI”阶段。传统的RAG只能根据已知知识回答问题，而AgentCore架构允许AI进行规划、调用工具（如ServiceNow API）并执行任务。
    • [深度分析] 这种架构解决了LLM“幻觉”和“无法执行动作”的痛点。通过将推理层与执行层解耦，Iberdrola能够将非结构化的自然语言请求转化为结构化的ITIL流程（如事件管理、变更请求）。这是企业级AI落地的关键一步，即从“聊天机器人”转变为“数字员工”。

  2. 垂直领域大模型的私有化部署逻辑

    • [事实陈述] 合作伙伴是AWS，平台是ServiceNow，对象是Utility公司。
    • [作者观点] 能源行业作为关键基础设施，对数据主权极其敏感。Iberdrola选择Bedrock而非直接调用OpenAI等公有云API，核心在于Bedrock提供的“数据不离开客户VPC”的安全控制能力以及通过AgentCore对模型行为的“护栏”管理。
    • [深度分析] 这反映了大型传统企业（Fortune 500级别）在AI落地时的典型路径：不追求训练自己的基座模型，而是通过精细的提示工程和上下文管理，利用通用大模型解决特定领域问题。 这种“中间层”策略（AgentCore作为中间层）是目前性价比最高且风险可控的方案。

  3. ServiceNow作为企业级操作系统的地位强化

    • [事实陈述] 应用场景集中在ServiceNow的IT运营优化。
    • [你的推断] ServiceNow不再仅仅是工作流记录系统，正在演变为“企业智能体执行层”。
    • [深度分析] Iberdrola的案例表明，未来的IT运维不再是人在操作ServiceNow控制台，而是AI Agent直接操作ServiceNow API。这将彻底改变ITSM（IT服务管理）的人员结构，L1（一级）支持团队将面临大规模缩减或转型，迫使IT人员向“AI训练师”或“复杂异常处理者”转变。

反例与边界条件：

  1. 成本与延迟的隐形陷阱

    • [边界条件] 文章未提及成本。多智能体架构意味着每一次推理都可能涉及多次LLM调用（规划-行动-观察-反思）。对于高频、低延迟要求的IT监控场景，Token消耗成本和推理延迟可能会比传统脚本高出一个数量级。如果Iberdrola仅将其用于“复杂流程优化”则可行，若用于“实时告警处理”则可能面临性能瓶颈。

  2. 确定性与黑盒风险的博弈

    • [反例观点] 尽管AgentCore提供了编排能力，但底层大模型仍具有概率性特征。在涉及电网调度指令或核心生产系统变更时，仅仅依靠Agent的“反思”机制可能无法满足工业级的安全性要求。传统基于确定性逻辑的自动化在核心生产环节依然不可替代。

可验证的检查方式：

  1. 指标验证：

    • MTTR（平均修复时间）： 观察实施AgentCore后，Iberdrola非L1复杂工单的解决时间缩短比例。如果该指标未显著下降，说明Agent仅停留在聊天层面，未实现真正的自动化闭环。
    • 自动化率： 统计完全由AI Agent端到端解决且无需人工介入的工单百分比。

  2. 实验/观察窗口：

    • 幻觉率测试： 在测试环境中输入涉及ServiceNow API不存在的参数或复杂逻辑冲突的请求，观察Agent是否会尝试伪造API调用或陷入死循环。
    • Token消耗监控： 监控单个工单处理的平均Token消耗量，以评估其经济性是否优于传统人工操作。

综合评价：

  • 内容深度与严谨性（4/5）： 文章作为案例研究，清晰展示了技术栈和业务场景，但缺乏具体的量化ROI数据和技术实现的深层细节（如Prompt策略、数据清洗流程）。
  • 实用价值（4.5/5）： 对于正在寻求将GenAI引入企业工作流（特别是ServiceNow生态）的CIO和架构师具有极高的参考价值，提供了一套经过验证的架构模式。
  • 创新性（4/5）： 将Agent架构应用于传统且保守的能源行业IT运维，具有很好的示范意义，虽然技术本身是Bedrock的通用能力，但场景结合具有创新性。
  • 可读性（5/5）： 结构清晰，逻辑顺畅，技术术语使用准确。
  • 行业影响： 该案例可能成为“传统行业+GenAI”的标杆，推动更多公用事业公司从观望转向试点，特别是加速ServiceNow平台上的AI插件生态发展。

实际应用建议：

对于类似

技术分析

基于您提供的文章标题和摘要，虽然原文内容被截断，但结合Iberdrola（伊维尔德罗拉）作为全球最大公用事业公司之一的背景，以及AWS Amazon Bedrock AgentCore和ServiceNow的技术特性，我们可以对该案例进行深度的技术还原与战略分析。

以下是对该案例的全面深入分析：

1. 核心观点深度解读

主要观点

文章的核心观点是：传统的大型企业IT运维（IT Operations）正在从“脚本化、被动响应”模式向“智能化、代理驱动”模式转型。 Iberdrola通过AWS的Amazon Bedrock AgentCore，在ServiceNow平台上构建了多智能体架构，实现了IT运维流程的自动化与决策增强。

核心思想

作者试图传达**“Agentic AI（智能体AI）在垂直领域落地的成熟度”**。这不再是简单的聊天机器人，而是具备规划、记忆和工具调用能力的智能体系统。核心在于将生成式AI的“理解能力”转化为IT运维的“行动能力”。

创新性与深度

  • 从辅助到自主： 创新点在于从Copilot（副驾驶）进化到Agent（智能体）。系统不仅能回答问题，还能代表用户执行复杂的ServiceNow工作流（如自动创建工单、分配资源、查询日志）。
  • 架构解耦： 使用AgentCore作为中间层，实现了大模型（LLM）与企业业务逻辑的解耦，使得模型可以灵活切换而不影响底层流程。

重要性

对于像Iberdrola这样的资产密集型企业，IT系统的稳定性直接关系到电网的稳定性。这种转型能够显著降低MTTR（平均修复时间），减少人为错误，并释放IT人员的精力用于创新而非重复劳动。

2. 关键技术要点

涉及的关键技术

  1. Amazon Bedrock AgentCore： 这是AWS提供的全托管智能体构建框架。它负责处理LLM的上下文管理、提示词链编排以及API调用逻辑。
  2. ServiceNow (ITSM/ITOM)： 作为IT服务管理的单一数据源和执行平台。
  3. Agentic Patterns（代理模式）： 特别是Multi-Agent System（多智能体系统），即不同的Agent负责不同的任务（如一个负责查询知识库，一个负责执行API，一个负责审核）。
  4. RAG (Retrieval-Augmented Generation)： 检索增强生成，用于查询Iberdrola内部的私有运维文档和历史工单数据。

技术原理与实现

  • 规划与推理： 当用户提出“服务器响应慢”时，AgentCore利用LLM的推理能力，将任务分解为：检查日志 -> 分析指标 -> 对比历史工单 -> 提出解决方案。
  • 工具调用： Agent通过API接口与ServiceNow交互。例如，调用Table API查询 incident 表，或通过Flow Designer触发自动化修复脚本。
  • 人机协同： 对于高风险操作（如重启服务器），Agent不会直接执行，而是生成方案并请求人工批准，确保安全。

技术难点与解决方案

  • 难点：幻觉风险。 LLM可能会生成不存在的API参数。
  • 方案： 使用AgentCore的**Guardrails（护栏机制）**和严格的Schema定义，强制LLM只能调用预定义的、经过验证的API。
  • 难点：数据隐私。 敏感运维数据不能直接发送给公有云模型。
  • 方案： 利用Bedrock的VPC接口和加密传输，确保数据在传输过程中的安全，并可能使用私有部署的模型或通过Redshift查询数据而不直接暴露原始文本。

技术创新点

“Context-Aware Routing”（上下文感知路由）。系统不仅仅是理解文本，而是根据ServiceNow中的CMDB（配置管理数据库）上下文来动态调整Agent的行为。例如，针对“核电站区域的服务器”和“办公区域的服务器”，Agent会调用完全不同的安全协议流程。

3. 实际应用价值

指导意义

该案例证明了生成式AI在企业级B2B场景中的价值不在于“生成内容”，而在于“流程自动化”。它为其他拥有复杂IT环境的企业提供了一条清晰的升级路径。

应用场景

  1. L1/L2 级运维自动化： 自动处理密码重置、软件安装请求等低级别工单。
  2. 故障根因分析（RCA）： 自动整合CloudWatch监控数据和告警日志，生成事故报告。
  3. 知识库管理： 自动从解决过的工单中提取知识，更新ServiceNow知识库，实现知识闭环。
  4. 合规性检查： Agent自动扫描IT配置是否符合行业合规标准（如ISO 27001）。

需要注意的问题

  • 权限控制： 必须确保Agent继承用户的权限模型，防止权限越界。
  • 成本控制： 频繁调用LLM和长上下文处理可能带来较高的API成本，需要设计缓存机制。

4. 行业影响分析

对行业的启示

公用事业行业通常被视为技术保守型，Iberdrola的案例是一个强烈的信号：高监管、高安全要求的行业也可以安全地部署GenAI。 这将打破能源、制造等传统行业的观望态度。

可能带来的变革

IT运维团队的角色将发生转变。从“执行者”转变为“管理者”和“训练师”。SRE（站点可靠性工程师）的工作将更多是设计Agent的Prompt和验证其输出，而不是直接敲命令行。

发展趋势

“Ops for AI”与“AI for Ops”的融合。 未来不仅要用AI做运维，还需要建立一套运维体系来管理AI Agent本身的行为（如监控Agent的准确率、响应时间）。

5. 延伸思考

拓展方向

  • 跨域智能体： 既然IT运维可以自动化，那么OT（运营技术，如电网设备维护）是否也可以接入同一套Agent架构？实现IT与OT的融合运维。
  • 自主修复闭环： 目前的Agent可能还停留在“提供建议”，未来应向“自动修复”演进，特别是对于云资源的弹性伸缩。

待研究问题

  • 多Agent博弈： 当两个Agent（如成本优化Agent和稳定性Agent）目标冲突时，如何仲裁？
  • 可解释性： 当Agent自动关闭了一个服务器实例，它能否用人类易懂的逻辑解释原因？

6. 实践建议

如何应用到自己的项目

  1. 识别高频低风险场景： 不要一开始就试图自动化核心数据库变更。从查询报表、状态查询等只读操作开始。
  2. 建立“中间件”思维： 不要直接在ServiceNow中硬编码Prompt。引入类似AgentCore的编排层，作为业务层和模型层的缓冲。
  3. 数据治理先行： Agent的效果取决于数据质量。如果CMDB数据不准，Agent就会做出错误判断。

行动建议

  • Step 1: 梳理现有的ServiceNow工作流，找出痛点。
  • Step 2: 构建RAG知识库，将PDF文档、Wiki转化为向量数据。
  • Step 3: 使用Bedrock或类似平台搭建PoC（概念验证），仅对少数测试用户开放。
  • Step 4: 建立反馈机制，收集“Bad Case”用于微调Prompt或模型。

7. 案例分析

成功案例要素分析 (Iberdrola)

  • 成功因素： 强大的合作伙伴关系（AWS + ServiceNow）；清晰的业务目标（针对三个关键领域的优化）；渐进式的实施策略。
  • 经验总结： 不要试图用一个巨大的Agent解决所有问题。Iberdrola实施了“不同的Agentic架构”，意味着他们针对不同任务定制了不同的Agent，这种模块化思维是成功的关键。

失败案例反思 (假设性对比)

  • 潜在失败模式： 某公司试图直接让ChatGPT通过SQL操作数据库。
  • 失败原因： 缺乏中间层控制，导致LLM生成Drop Table等危险指令；缺乏上下文，导致查询效率低下。
  • 教训： 必须使用Agent框架来限制模型的能力边界，并赋予其特定的工具，而非通用的数据库访问权。

8. 哲学与逻辑：论证地图

中心命题

大型企业应通过集成具备工具调用能力的生成式AI智能体，来重构IT运维流程，以实现效率与响应速度的质变。

支撑理由

  1. 效率提升： 自动化处理重复性任务可释放30%-50%的人力资源。
    • 依据： 业界标准的L1运维自动化统计数据。
  2. 知识复用： LLM能非结构化历史数据中提取隐性知识，解决知识库“建而不用”的难题。
    • 依据： RAG技术在文档检索上的表现优于传统关键词搜索。
  3. 决策增强： 多智能体协作能模拟专家团队的思维过程，提供多维度的故障排查建议。
    • 依据： Iberdrola案例中提到的“不同架构针对不同领域”。

反例与边界条件

  1. 边界条件（黑天鹅事件）： 面对从未发生过的、未在训练数据或文档中出现的复杂系统性故障，Agent可能会产生幻觉或无效建议，此时必须强制人工介入。
  2. 反例（过度自动化）： 如果企业的基础数据治理（CMDB）极其混乱，Agent的输入就是垃圾，输出也是垃圾，反而会增加纠错成本。

命题性质分析

  • 事实： AWS Bedrock和ServiceNow具备上述技术能力。
  • 价值判断： 认为“效率”和“自动化”是IT运维的核心目标。
  • 可检验预测： 实施该方案的企业，其MTTR（平均修复时间）将在6个月内下降20%以上。

立场与验证

  • 立场： 坚定支持**“人机协同”的Agent模式，而非完全取代人类的“全自主”**模式。
  • 验证方式： 设计A/B测试。一组使用传统ServiceNow界面，一组使用AI Agent辅助。对比两组在解决相同Mock故障时的耗时和准确率。观察窗口设定为3个月，以排除新奇效应的影响。

最佳实践

最佳实践

1. 构建基于代理的自动化运维架构

利用 Amazon Bedrock AgentCore 构建智能代理，将传统的手动 IT 运维任务转化为自动化工作流。通过自然语言处理理解运维意图，自动执行脚本或调用 API，从而减少人工干预，提高响应速度和准确性。

实施步骤：

  1. 识别重复性高、流程固定的任务（如工单分类、状态查询）。
  2. 利用 AgentCore 定义动作组，绑定后端 API 或脚本。
  3. 配置 NLP 模型，确保口语化指令能触发运维动作。

注意事项： 连接生产 API 时，必须实施严格的权限控制和输入验证，防止恶意滥用。

2. 利用企业知识库增强上下文理解

将现有 IT 文档、操作手册和历史工单向量化存储。通过 Amazon Bedrock 的知识库检索功能，使 AgentCore 在生成响应前引用企业内部特定的运维标准，确保回答准确。

实施步骤：

  1. 整理非结构化运维文档和 FAQ。
  2. 使用 Knowledge Base 切片文档并构建索引。
  3. 在 Agent 中启用检索增强生成（RAG）模式。

注意事项： 定期更新知识库，设置清晰的数据引用来源，以便验证建议符合最新政策。

3. 实施严格的治理与护栏机制

引入 Guardrails 确保代理行为符合安全合规标准。防止生成有害内容、泄露敏感信息或产生幻觉，这对能源行业尤为重要。

实施步骤：

  1. 定义敏感词清单和拒绝话题（如 PII、非授权代码修改）。
  2. 配置 Bedrock Guardrails 监控输入输出。
  3. 设置上下文 groundedness 检查，确保回答基于可信数据。

注意事项： 动态调整策略，定期审查拦截日志，避免过度拦截影响效率。

4. 建立人机协同的确认机制

对于高风险操作（如删除资源、重启核心服务），设计“人在回路”流程。Agent 负责准备方案，由人工确认后执行。

实施步骤：

  1. 对运维操作进行风险分级。
  2. 配置高风险操作的阻断点，要求明确指令才执行。
  3. 提供详细的操作预览供人工审核。

注意事项： 确保确认渠道可追溯，所有审批记录应留痕以供审计。

5. 优化提示词工程以适配专业术语

针对 IT 运维术语和特定缩写，通过精细化的 Prompt Engineering 和 Few-shot Learning 提高模型理解能力，减少歧义。

实施步骤：

  1. 收集典型查询案例和理想回复。
  2. 在系统提示词中嵌入角色定义和输出格式。
  3. 提供 3-5 个问答样本，教导模型处理内部术语。

注意事项： 持续迭代提示词，建议版本化管理以便快速回滚。

6. 全链路可观测性与性能监控

建立全面监控体系，跟踪响应延迟、Token 成本、检索准确率及用户满意度。

实施步骤：

  1. 集成 Amazon CloudWatch 监控调用日志和延迟。
  2. 记录用户反馈（点赞/点踩）建立微调数据集。
  3. 设置异常告警，通知技术团队处理频繁报错。

注意事项： 关注成本指标，通过监控 Token 使用优化 Prompt 或选择性价比模型。

学习要点

  • 基于 Iberdrola 利用 Amazon Bedrock AgentCore 增强其 IT 运营的案例，以下是总结出的关键要点：
  • Iberdrola 通过构建基于 Amazon Bedrock AgentCore 的生成式 AI 智能体，成功将 IT 运营中的重复性任务自动化，从而显著提升了团队的工作效率。
  • 该解决方案利用 AgentCore 的编排能力无缝集成底层系统（如 ServiceNow），实现了跨系统工作流的自动化执行，有效打破了数据孤岛。
  • 通过采用 Anthropic Claude 3 Sonnet 等大语言模型，企业能够在保证数据安全和隐私的前提下，利用生成式 AI 处理复杂的 IT 运营逻辑。
  • 借助 Amazon Bedrock 的 Guardrails 功能，Iberdrola 实施了严格的防护措施以确保 AI 输出的准确性和适当性，降低了模型产生幻觉的风险。
  • 该案例展示了如何将非结构化数据（如自然语言请求）转化为结构化的可执行动作，使 IT 员工能够通过对话界面快速获取服务状态或执行修复操作。
  • 此转型实践证明了将生成式 AI 引入企业级 IT 运营（ITOps）的可行性，为其他希望利用 AI 优化内部流程的企业提供了可参考的架构蓝图。

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章