在信创化、微服务化的背景下，金融核心业务的连续性保障迎来了巨大挑战。传统 NPM/BPM 的镜像方式无法采集到全链路通信，且镜像云内流量存在性能和安全合规风险；传统 APM/LOG 的插桩方式往往只能有不到一半的链路覆盖率，且存在基础设施服务盲点。以 eBPF 和 Wasm 为代表的零侵扰技术很好的解决了这些痛点，可实现金融交易业务的全链路可观测性。在此基础上，基于大语言模型建设运维智能体，能够显著提升人工运维的效率，优化 MTTR 和 MTBF。本次分享将会介绍 DeepFlow 在金融行业的实践案例，分享使用全链路观测数据与 AI 智能体保障核心交易业务连续性的经验。

本议题展示如何以 DataAgent 负责“理解与决策”、SeaTunnel（Zeta 引擎）负责“连接与执行” 的方式，将 MySQL/Oracle/PostgreSQL 等 CDC 变更 在秒级转化为业务洞察。我们将演示 NL→Pipeline（自然语言自动生成 SeaTunnel 配置）、基于 EtLT 的轻转换与多路下沉（Kafka/ClickHouse/StarRocks/Iceberg），以及面向生产的 一致性与自愈：DataAgent 识别 DDL/DML 异常，自动生成灰度补丁、调优并行度与限流参数，保证端到端延迟与成本目标可控。

在当下的 AI 应用时代，即使是一个看似简单的智能体应用，也往往需要组合多种数据库才能完成任务：用 向量数据库 进行语义检索，用 文档数据库 存储上下文，用 时序数据库 记录状态变化，用 KV 缓存 提升响应速度…… 结果，开发者不得不在多个系统间管理连接、协调一致性、维护多份副本，并承担日益复杂的运维与成本负担。EloqConvergedDB 正是为了解决这一问题而诞生。它通过将 关系型、KV型、文档型、向量型数据能力 融合于同一引擎，实现多模数据的统一存储与一致事务处理。

AI 如何重构云计算

实现从生成式人工智能（GenAI）应用到AI模型的端到端可观测性，对于维持运营效率至关重要。本次分享将介绍一种实用的方法，利用OpenTelemetry（OTel）作为基础框架，构建全栈 GenAI 可观测性。与会者将了解到： ● 使用 LoongSuite 作为 OpenTelemetry 探针的增强版，以支持对 Dify、LangChain、Spring AI，AgentScope 等GenAI框架的无代码（zero-code）自动插桩。这使得 GenAI 应用能够无缝实现链路追踪和指标采集，包括对 MCP 协议的支持。 ● 对 OpenTelemetry Python 探针的改造，以有效观测 vLLM 和 SGlang 等大模型推理加速框架，确保对AI模型性能及其交互行为的全方位可观测性。 ● 阿里云内部在 AI 应用端到端可观测的实践，如何利用 OpenTelemetry，在模型服务过程中高效监控每日数百万次查询。 参会听众收益：观众将获得大规模 AI 原生应用可观测的洞见、策略和实践，从而在其整个 GenAI 技术栈中有效应用基于 OpenTelemetry 的可观测性方案。