用途：该资料是 LLM for AIOps 的策展式研究合集，聚焦将大语言模型应用于 IT 运维，如日志分析、异常检测、事件管理与根因分析、自动修复等，跟踪基础模型如何把传统基于规则的运维工具转变为智能自适应系统。适合系统、NLP 与运维交叉方向的研究者。
主要能力（按主题分层）：日志分析（日志解析与模板抽取、基于日志序列的异常检测、日志摘要、从日志定位根因）；事件管理（事件分类与路由、严重级别判定、相似事件检索、处置建议）；根因分析（拓扑感知诊断、多信号关联、因果推断）；监控告警（指标异常检测、告警关联、降噪、容量规划）；自动修复（Runbook 生成、脚本生成、自愈系统、变更影响分析）。
代表作：LogPPT（2023，提示微调少样本日志解析）、OpsEval（2024，AIOps 中 LLM 评测基准）、D-Bot（2024，基于 LLM 的数据库诊断）、RCAgent（2024，根因分析智能体）、LogAgent（2024，自主日志分析智能体）。
使用场景：文献追踪、学习智能运维模式以辅助系统设计、基准对比评估 AIOps 方法、研究选题规划、连接研究与生产运维的行业落地。参考资料列出 awesome-LLM-AIOps 与 OpsEval Benchmark。
限制：资料仅提供主题结构、论文列表与用途说明，未提供安装命令、代码示例、许可、维护状态、收费信息与具体使用方法，这些暂未提供。