供稿来自：@吴安乐
一、引言
此前我们已详细介绍了从需求梳理到提测&部署的AI辅助工作流。
在 Devops 生命周期中，上线后的可持续维护是保障系统稳定运行的关键环节。本文聚焦线上持续监测阶段，深入探讨如何通过AI驱动实现自动化的性能分析与问题修复，构建完整的可持续维护闭环。
二、方案简介
现状与挑战
虽然有监控工具能及时发现问题，但后续的诊断与修复强依赖人工。日常开发任务重，对于非严重问题无法及时抽出时间完成修复，从而沉淀为技术债务。
例如，Sentry用于错误追踪，Prometheus/Grafana用于性能监控，研发人员需手动分析日志、定位根因、编写修复代码等工作。
系统概述
本文提出的AI驱动可持续维护系统包含两大核心模块：
- 自动化线上问题修复：AI实时监控Sentry问题 → AI 自动修复代码并创建MR → 飞书通知详情 → 人工最后确认
- 自动化线上性能分析：监控项目性能指标与构建产物 → 自动识别性能瓶颈 → 生成优化建议
核心目标
- 人工零干预：从问题出现到修复方案生成（MR）完全自动化，减少人工 90% 的工作量。
- 人工确认机制：mr 生成后飞书实时通知，研发人员仅需关注最终审查与合并
- 缩短问题修复时间：从错误发生到修复方案生成，最短可在3分钟内完成
- 可视化与可追溯性：提供完整的错误趋势监控和修复记录留存，便于审计与复盘
三、核心原理与架构设计
架构
- 触发层：Sentry webhook、飞书监控模块捕获事件。
- 执行层：阿里云运行自定义Docker镜像，调用Claude Code（无头模式）执行性能分析，代码分析与修复。
- 交互层：飞书aPaaS推送通知、展示数据看板，人工确认MR。
- 存储层：修复记录、性能数据留存于飞书数据库，支持SQL查询与可视化。
工具
- docker 镜像
- claude code：AI cli 编程工具，支持无头模式自动化运行
- mcp：qm-lighthouse-mcp 前端性能监控与优化工具、lark-mcp：飞书生态中的监控与告警模块、codeup-mcp：代码托管与流水线集成工具
- Headless Chrome：无头浏览器，包含 chrome 全部内核，用于前端性能分析的虚拟环境
- 定制化提示词：提示词
- 飞书APAAS 应用
- 阿里云流水线：AI 流程执行的核心容器
流程
四、成果展示
修复案例
五、总结
基于 AI +claude code等 AI cli 工具，我们能轻易构建一个无所不能的AI Agent。就像第一次工业革命的蒸汽机，基于蒸汽机，可以实现火车，轮船等一系列改变世界的伟大发明