多Agent主动风险预判流——把风险从「事后救火」变成「事前拦截」

大多数团队的风险管理是被动的：等到系统宕机、客户投诉、项目延期，才发现出了问题。

主动风险预判流让 AI 在风险实际发生之前，主动识别信号、评估威胁、提前行动。

场景演示

某 SaaS 团队的日常：

• 没有预判流时：运维盯着监控大盘，等到 P0 告警响起才开始救火；项目经理在 deadline 前一天才发现进度落后。
• 有主动风险预判流时：系统还在正常运行，Agent 就已发现流量模式异常，提前 48 小时预测到可能的服务过载；项目还剩 10 天，Agent 就已发出进度预警并推荐了调整方案。

核心价值：将风险管理从「救火模式」转变为「哨兵模式」，风险还在远处冒烟时就被捕获。

Step by Step：构建主动风险预判流

整体架构

[数据采集 Agent] → [信号分析 Agent] → [风险评估 Agent] → [预警分发 Agent]
       ↑                                                        ↓
   [共享记忆中枢（Bitable）] ←←←←←←←←←←←←←← [行动执行 Agent]

Step 1：部署数据采集 Agent（7×24 哨兵）

负责持续监控多路信号源，不遗漏任何风险早期特征：

使用的 skills： browser-automation（监控竞品动态）、akshare-stock（如涉及业务指标）、rss-ai-reader（行业情报）

# 数据采集 Agent 每小时执行一次，扫描：
# - 基础设施指标（CPU/内存/磁盘/SLA）
# - 业务数据（订单量/转化率/DAU）
# - 外部信号（竞品动态/行业新闻/监管政策）
# - 项目进度（飞书Bitable任务状态）

Step 2：信号分析 Agent（风险特征识别）

接收原始数据，识别异常模式并打标签：

Prompt（提示词）：

你是一个风险信号分析师。接收以下原始数据，从三个维度评估风险：

1. **趋势风险**：当前趋势是否指向恶化方向？（如：连续3天订单下降）
2. **阈值风险**：关键指标是否逼近红线？（如：磁盘使用率 > 80%）
3. **关联风险**：多个指标是否同时出现危险组合？（如：流量涨 + 错误率涨）

数据来源：[粘贴原始数据]

输出格式（JSON）：
{
  "signals": [
    {"source": "监控指标", "pattern": "具体模式", "risk_level": "HIGH/MEDIUM/LOW", "confidence": 0.85}
  ],
  "summary": "一句话描述当前整体风险状态"
}

Step 3：风险评估 Agent（计算风险分与影响范围）

将多个风险信号融合，输出可决策的风险评估报告：

# 风险评分模型（可嵌入 Agent Prompt）
def calculate_risk_score(signals):
    # 高置信度 × 高严重度 = 立即行动
    # 低置信度 × 高严重度 = 持续监控
    # 高置信度 × 低严重度 = 记录归档
    pass

# 风险分公式
# risk_score = Σ(signal.confidence * signal.severity * signal.proximity_weight)

Prompt（提示词）：

你是一个风险评估专家。结合以下风险信号，给出每个风险的：
1. **风险分**（0-100，严重程度量化）
2. **预计发生时间窗口**（P0：<24h，P1：<7d，P2：<30d）
3. **影响范围**（哪个系统/业务/团队受影响）
4. **当前最可行的缓解行动**（1-2条）

风险信号列表：[粘贴 Step 2 输出]

输出格式（Markdown 表格）：
| 风险 | 风险分 | 时间窗口 | 影响范围 | 推荐行动 |
|------|--------|----------|----------|----------|

Step 4：预警分发 Agent（精准触达责任人）

根据风险分级，自动路由到正确的通知渠道和负责人：

规则引擎示例：

P0 风险（风险分 > 80）：
  → 即时通知（飞书/短信）+ 创建紧急工单 + 触发值班 Agent 响应

P1 风险（风险分 50-80）：
  → 飞书群通知 + 抄送负责人 + 记录到 Bitable 风险台账

P2 风险（风险分 < 50）：
  → 写入周报风险章节 + 纳入下次复盘议题

使用的 skills： feishu_bitable_create_record（记录风险）、feishu_chat（飞书通知）

Step 5：行动执行 Agent（事后跟进闭环）

预警发出后，持续跟踪风险状态，直到风险解除或转化为实际事故：

• 风险升级：若 P1 风险持续恶化，自动升级为 P0 并加大响应力度
• 风险消退：若风险信号消失，记录消退原因，更新风险台账
• 复盘归档：每次风险从出现到解除，沉淀为案例知识

可复制提示词模板

提示词 A：日常风险巡检（定时触发）

请执行今日风险巡检，扫描以下数据源并输出风险评估报告：

1. 系统指标：[粘贴监控数据]
2. 业务指标：[粘贴业务数据]
3. 项目状态：[飞书Bitable 任务完成率 / 里程碑进度]
4. 外部情报：[行业新闻 / 竞品动态摘要]

请按以下格式输出：
- 🔴 P0 风险（立即处理）：[风险描述 + 建议行动]
- 🟡 P1 风险（本周关注）：[风险描述 + 建议行动]
- 🟢 已消退风险：[解除原因]

提示词 B：风险信号聚合（多数据源融合）

请将以下来自不同 Agent 的风险信号进行聚合分析：

信号源 A（基础设施）：[数据]
信号源 B（业务数据）：[数据]
信号源 C（外部情报）：[数据]

请识别：
1. 是否有多个信号指向同一风险？（关联风险）
2. 各风险的置信度和预计发生时间？
3. 最需要立即关注的 Top 3 风险？

输出：结构化风险报告 + 行动优先级建议

使用的 Skills

价值与注意事项

核心价值

• 从事后到事前：将风险管理左移，在风险成为事故之前捕获它
• 规模化覆盖：人工巡检无法 7×24 覆盖所有信号源，Agent 可以
• 决策支持：将风险量化为分值，让决策有依据，不是凭感觉拍脑袋
• 闭环追踪：每个风险从发现到解决全程留痕，形成组织风险知识资产

注意事项

1. 信号质量决定预判精度：garbage in, garbage out，采集的原始数据质量是关键
2. 避免预警疲劳：阈值设得太低会产生大量噪音，建议 P0/P1/P2 分级清晰，阈值宁紧勿松
3. 人机协同：AI 预判 + 人工确认，P0 风险不要完全自动化处置，保留人工兜底
4. 历史复盘迭代：每月复盘一次预判准确率，持续优化风险评分模型

系列文章索引：

OpenClaw 有价值应用（2026-06-21）：操作审计与合规可证明流 ｜

OpenClaw 有价值应用（2026-06-22）：技术债务追踪流 ｜

👉 本文（2026-06-24）：主动风险预判流

本系列持续更新，欢迎订阅。