01
课程导论：为什么运维需要知识图谱？大模型如何赋能？
课程目标与整体架构，开启智能运维之旅
导论架构
02
运维知识图谱基础
知识图谱核心概念（实体、关系、属性）、运维领域知识特点
基础概念
03
大模型基础与选型
主流大模型（GPT、BERT、LLaMA等）介绍、针对运维场景的模型选型策略
大模型选型
04
运维数据采集与预处理
日志、监控指标、工单、CMDB等数据源的采集与清洗
数据ETL
05
实体识别（NER）实战
基于大模型的运维实体抽取（主机名、IP、应用名、故障类型等）
NER抽取
06
关系抽取实战
从运维文本中抽取因果关系、依赖关系、所属关系等
关系抽取
07
属性抽取与补全
抽取实体的关键属性（如IP地址、状态、版本号），并利用大模型进行属性补全
属性补全
08
知识融合与对齐
解决多源数据中的实体冲突（如同一个主机不同名称），进行实体对齐
融合对齐
09
知识存储
图数据库选型（Neo4j、NebulaGraph、JanusGraph）与Schema设计
存储图数据库
10
Neo4j实战
搭建Neo4j环境，使用Cypher语言进行知识图谱的增删改查
Neo4jCypher
11
大模型与图数据库交互
利用LangChain等框架，让大模型理解图Schema并生成Cypher查询
LangChain交互
12
运维知识推理
基于图谱的根因分析（RCA）路径推理、故障传播链推理
推理RCA
13
智能问答（QA）系统
构建基于知识图谱的运维问答机器人（如“这个应用依赖哪些服务？”）
QA机器人
14
告警关联分析
利用知识图谱将分散的告警关联成故障事件，减少告警风暴
告警关联
15
变更影响分析
评估一次变更（如重启服务、升级版本）可能影响的范围
变更影响
16
智能运维巡检
结合图谱与大模型，自动生成巡检报告并发现潜在风险
巡检自动化
17
知识图谱可视化
使用D3.js或Neo4j Browser展示运维知识图谱
可视化D3.js
18
持续学习与图谱更新
利用大模型从新产生的运维数据中自动抽取知识，更新图谱
持续学习更新
19
模型微调（Fine-tuning）
在运维领域数据上微调大模型，提升实体/关系抽取准确率
微调Fine-tune
20
Prompt Engineering
设计高效的Prompt模板，引导大模型完成特定运维知识抽取任务
Prompt工程
21
RAG在运维中的应用
结合知识图谱与向量数据库，提升问答准确性
RAG检索增强
22
多模态运维知识图谱
融合日志文本、监控图表、拓扑图等多模态数据
多模态融合
23
大规模图谱性能优化
处理千万级节点和边的图谱查询与存储优化策略
性能优化
24
安全与权限管理
知识图谱的访问控制、敏感信息脱敏
安全权限
25
项目实战：故障诊断知识图谱
从数据采集到问答，搭建一个简单的故障诊断知识图谱
实战故障诊断
26
项目实战：应用依赖关系图谱
构建应用依赖关系图谱，实现变更影响分析
实战依赖
27
项目实战：智能告警关联系统
基于图谱的智能告警关联系统
实战告警
28
项目实战：自动化构建Pipeline
运维知识图谱的自动化构建Pipeline
实战Pipeline
29
评估与迭代
如何评估知识图谱的质量（准确率、召回率、覆盖率）？如何进行迭代优化？
评估迭代
30
课程总结与展望
运维知识图谱的未来趋势（AIOps、因果推理、数字孪生）
总结趋势