# 高扇入场景下的 Agent 控本：在 Agent 看到输入之前

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-08-06T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/49299
- 原文：https://yage.ai/share/pre-agent-fan-in-filter-cost-20260806.html

## 摘要

这篇文章讨论了一个工程问题：在告警风暴这类高扇入场景里，把每条告警都直接丢给昂贵的 AI Agent 去排查，账单会瞬间爆炸。解法是在 Agent 前面加一层便宜的过滤器。Datadog 公开的 Mambark 模型（约 9690 万参数）声称每天能从约 100 亿条安全事件里筛出约 1 万条候选，再交给大模型调查，量级差了六个数量级，但这是厂商自报数...

## 推荐理由

一篇有真实数字和架构判断的工程文章，不是那种空谈 AIOps 的水文。Datadog Mambark 的案例给了一个量化的成本压缩参考，作者对通用小模型不适配日志流的解释也增加了信息密度。扣分点在于核心数据完全来自厂商自报，没有第三方验证，我会先打个折看。另外文章只讲了过滤这一层，没展开 Agent 后续调查的效率和准确率，整体偏单点方案介绍。

## 锐评

这篇文章讲了一个很实际的工程账：在告警风暴这种高扇入场景里，把每条告警都直接丢给昂贵的 AI Agent 去排查，账单会瞬间爆炸。解法不是在 Agent 内部抠 token，而是在 Agent 看到输入之前，加一层便宜的过滤器。Datadog 公开的 Mambark 模型声称每天能从约 100 亿条安全事件里筛出约 1 万条候选，再交给大模型调查，量级差了六个数量级。但这是厂商自报数，没有独立复核，实际压缩率得看具体环境。

技术路线上，文章把来龙去脉讲清楚了：从 2017 年 DeepLog 用 LSTM 预测下一条日志的概率，到 2023 年 Mamba 用状态空间模型解决流式推理时内存随序列长度膨胀的问题。核心直觉不是把日志当文本去提问，而是把日志流看作系统状态序列，用困惑度捕捉偏离常态的事件。这个思路比通用小模型做文本分类更对路，因为日志流里没人提问，单条日志本身没有好坏之分。

文章没给出 Mambark 的具体架构细节和训练数据，也没讨论漏检率——筛掉的 99.99% 事件里有多少是真故障，这个缺口对运维场景很关键。另外，它只讲了安全事件流，没展开其他高扇入场景（比如 APM 指标异常、业务埋点）的适配成本。如果你的事件量每天不到一万条，直接调大模型可能更省事，不用急着上这套。