这里的两个 Demo 不是演示视频，是真的在跑。你可以选预置样例，也可以自己改输入。
关于数据：所有预置样例的数据都是虚构的，只是让分布和真实场景接近。不包含任何雇主的真实数据。
Demo A
告警根因分析 Agent
输入一批时间相关的告警和指标片段，Agent 走完「信号提取 → 假设生成 → 证据匹配 → 收敛定论」四个阶段，输出根因判断、置信度和影响链路。
三个预置样例都刻意选了「表象 ≠ 根因」的场景
Demo B
成本优化分析 Agent
输入一份资源使用画像，Agent 从规格错配、闲置识别、弹性机会、计费优化四个维度给建议，并按「节省金额 ÷ 变更风险」排序。
每条建议都必须带依据数据和风险等级
为什么做成可交互的
看简历的人没有时间读一篇《我如何用 LLM 做告警分析》。但花 30 秒点一个样例、看到推理过程展开，判断成本要低得多。
所以这两个 Demo 的设计目标不是「效果最好」，而是推理过程可见：每一步的输入、假设、被采纳和被否决的证据都摊开给你看。如果结论错了，你能看出它错在哪一步——这比一个正确但不可解释的答案更接近真实工程里需要的东西。
设计上的几个取舍
预置样例是静态数据。 点预置样例不会真的调模型，读的是预生成的 JSON。这样即使模型服务挂了、额度用光了，Demo 也 100% 可用。自定义输入才会走真实推理。
自定义输入有限额。 单 IP 每小时 10 次、每天 30 次；全站每天 500 次。这是自费项目，不做无限量。触发限流时会明确告诉你还剩多少。
不追求「AI 万能」的表达。 Demo 会明确标出它的判断边界——哪些结论是数据支持的，哪些是它的推测。运维场景里，一个说不清依据的建议没人敢执行。