CloudQ技术升级：让 AI 做一次"设计"，让程序持续稳定"交付"

订阅播报迎来了一次底层升级。它要回答的，是一个长期存在的矛盾：订阅播报要的是"长期一致、准时可信"，而"每次临场生成"擅长的却是"灵活多变"——两者并不总能兼得。

这次升级给出的答案是把工作拆成两段：让 AI 在配置阶段完成一次"设计"，让自研安全沙箱在运行阶段持续稳定"交付"。 下面沿着"为什么改、怎么改、改完带来什么"三层来看。

临场生成很智能，为什么仍不适合长期订阅

AI 实时生成足够灵活，但订阅播报不是一次性问答——它往往每隔 5 分钟、10 分钟或 1 小时持续运行，并要在护航和值班场景中准时交付。当订阅数量和运行频率涨上来，原有方式的四个短板就浮出水面：

• 效果会漂移。 即使输入完全相同，大模型每一轮生成的措辞、结构和格式也可能略有出入。对需要固定口径、持续对比的护航播报来说，"稳定一致"远比"每次都有新表达"更重要。
• 稳定性系在模型链路上。 原链路要串起定时任务、Agent、Prompt 组装、大模型生成等多个环节，任一环节超时、限流、上下文变化或生成异常，都可能让消息无法按时、按预期送达。
• Token 随频率累积。 每次播报都要把需求、上下文和监控数据再交给模型一遍。单次看有限，但随播报频率提升、订阅增长、周期拉长，Token 消耗持续累加，带来调用成本和容量压力。
• 过程难以复现。 模型输出带随机性，同一问题再跑一次结果未必相同；一旦格式或内容异常，排障要同时翻 Agent、Prompt、模型和上下文，链路很长。

一句话：订阅播报追求"长期一致、准时可信"，而临场生成天然偏向"灵活但不可控"。要长期订阅稳得住，就得换一种分工。

需求交给 AI，执行交给自研安全沙箱

新链路的核心不是替换生成模型，而是重新划分 AI 与确定性程序各自最擅长的活：

• AI Agent 负责理解与设计：读懂用户用自然语言提出的业务范围、指标、阈值、计算口径和展示要求，自动生成对应的自研沙箱动态程序；
• 自研安全沙箱负责受控执行：按周期运行已确认的动态程序，通过内置授权 Tool 取真实指标数据，按固定逻辑完成计算与渲染，再把结果推送到目标群聊或渠道。

运行方式随之从"每次播报都让 AI 重新生成一遍"，变为"让 AI 配置一次，由自研安全沙箱稳定执行每一次"。这条路走三步。

第一步：AI 把自然语言变成动态程序

用户仍像过去一样直接开口，例如：

每 10 分钟播报一次架构图内 CVM 和 MySQL 的运行情况。CVM 汇总 CPU、内存最大值，超阈值时列出异常实例；MySQL 不展示实例明细，只输出磁盘、内存和慢查询摘要，并在开头给出整体结论。

AI Agent 结合架构图的业务范围和可用指标，识别其中的资源、指标、阈值、汇总方式、异常规则、展示模板和播报周期，把这些个性化要求转成可在沙箱中运行的动态程序。这不是套固定模板，而是由 AI 完成从自然语言到确定性执行逻辑的转换，让复杂配置做到"开口即所得"。

第二步：先预览，确认后再固化

程序生成后先在沙箱里试跑，展示播报预览。用户可以继续用自然语言改——加指标、调阈值、隐藏实例明细、换总结方式，每次修改都同步更新程序与预览，直到结果符合预期。确认启用后，这套逻辑才正式固化，让进入生产的每条播报都是被确认过的。

第三步：沙箱按周期跑已确认的程序

进入周期运行，系统不再让大模型重复理解需求、临场组织正文，而是由自研安全沙箱直接运行已确认的动态程序。程序通过受控内置 Tool 取指标数据，按既定规则依次完成：

数据获取 → 指标汇总 → 阈值判断 → 异常筛选 → 模板渲染 → 消息推送

整个过程隔离、受控、可追踪，既让动态逻辑碰不到非授权资源，也把长期订阅从"模型实时可用性和生成效果"上解绑，运行更轻、更稳、更安全。

稳，来自自研技术底座

这次升级的关键不止"把生成换成执行"，而是建起一套面向动态任务的自研安全沙箱能力。

沙箱把动态程序关在隔离、受控的环境里，只能通过平台授权的 Tool 取必要数据、执行指定操作；程序的运行边界、可访问能力和执行过程都由平台统一管理。于是系统同时拿到两头的好处：前台由 AI 承接千人千面的个性化需求，后台由沙箱守住确定性、安全性和规模化。 用户感受到的仍是自然语言交互，背后托着的是一套可隔离、可控制、可追踪的技术底座。

一次升级，六项提升

1. 播报内容更稳定。 统计方式、判断阈值、异常规则和展示模板都固化在动态程序里，配置不变，每个周期就用同一套规则处理数据，不再有格式漂移、口径变化或关键信息遗漏。活动护航、日常巡检、值班交接，团队看到的都是结构统一、口径一致的结果。

2. 定时播报阶段零 Token 消耗。 AI 只在创建或修改订阅时参与需求理解和程序生成；订阅启用后的周期任务由沙箱直接跑，日常播报不再调用大模型，也不耗 Token。订阅跑得越多，也不会换来对应的模型调用量——高频、长期、大规模场景下成本优势更明显。

3. 执行链路更短，运行更可靠。 核心链路从

定时任务 → AI Agent → Prompt → 大模型 → 内容生成 → 推送

缩短为

定时任务 → 自研安全沙箱 → 动态程序运行 → Tool 取数 → 计算与渲染 → 推送

对模型实时可用性、生成时延和上下文质量的依赖大幅下降，更能满足重大活动护航、值班巡检对准时性和连续性的要求。

4. 动态逻辑隔离运行，安全边界更清晰。 沙箱为每次运行提供受控环境，用授权 Tool 管住数据与能力边界；面对不同用户、业务和订阅逻辑，任务之间互不干扰，动态逻辑也无法无限制访问底层系统。灵活的 DIY 不再以安全为代价，也为后续承接更多类型的自动化订阅打好了地基。

5. 每次结果都可验证、可复现。 动态程序、业务范围、指标配置和用户需求都可记录，相同规则加相同输入能稳定复现结果，上线前好校验，出问题好回溯。过去说不清的"这次为什么和上次不一样"，现在能沿取数、计算、判断、渲染、推送逐层定位。

6. 个性化能力没打折。 链路更确定，不代表只能用固定模板。自然语言 DIY 完整保留，用户随时可以：

• 增删某个资源指标；
• 把最大值改为平均值或最新值；
• 自定义判断阈值；
• 只列异常实例；
• 隐藏实例明细，改为产品级摘要；
• 开头加一句整体结论；
• 调整开始、结束时间和播报频率。

AI Agent 把这些灵活要求精准转成动态程序，沙箱负责往后每一次都不走样地执行。前台依旧简单灵活，后台更稳、更安全、更可靠。

升级前后，一目了然

让 AI 用在更有价值的地方

这次升级不是削减 AI，而是把 AI 放回它更擅长的位置。

AI 擅长理解复杂、模糊、个性化的需求，就让它完成从自然语言到播报逻辑的设计；沙箱擅长隔离、受控、长期的确定性执行，就让动态程序去跑每个周期的取数、计算、渲染和推送。这样分工，订阅播报从"每次临场生成"走到了"一次智能配置，持续安全交付"：

• 对用户，仍是一句话创建、对话中持续修改；
• 对护航人员，是更准时、更一致、更可信的播报；
• 对平台，是更清晰的安全边界、更短的运行链路、更低的资源成本和更强的规模化能力。

AI 把需求变成能力，自研安全沙箱把能力安全、稳定地交付。这，正是订阅播报此次升级的核心价值。