Well-ArchitectedArquitetura
Nível de dificuldade: Avançado (4 de 5)
AWS DevOps Agent reduz MTTR de incidentes no Aurora PostgreSQL em 73%, para 14 minutos
Em números
- 73% de redução no MTTR (Mean Time to Resolution) medida pela AWS num teste controlado com três incidentes simulados
- 52 minutos foi a duração média da investigação do AWS DevOps Agent sem a Skill customizada
- 14 minutos foi a duração média com a Skill ativa, cobrindo os mesmos três cenários
- 0,3 hipóteses erradas exploradas por incidente com a Skill, contra 3,0 sem ela
O problema
Um cluster Amazon Aurora PostgreSQL degrada e o plantonista recebe um alerta de latência de leitura elevada. A partir daí a investigação se ramifica: pode ser esgotamento do pool de conexões, ReplicaLag alto causando leituras obsoletas, uma query lenta introduzida em deploy recente, pressão de armazenamento por bloat de tabela, ou alguém mexeu no parameter group. Segundo a AWS, esse tipo de troubleshooting leva rotineiramente de 45 a 60 minutos mesmo para engenheiros experientes, porque cada ramo exige checar métricas diferentes e correlacionar linhas do tempo diferentes.
O ponto central do post da AWS é que esse conhecimento raramente está documentado de um jeito acionável às duas da manhã: ele vive na cabeça de DBREs (Database Reliability Engineers) seniores. O drift de parâmetro é citado como o caso mais traiçoeiro, porque seus sintomas imitam os de outras falhas. Sem orientação específica do domínio, o agente de IA persegue sintomas em vez de rastrear a mudança de configuração que os causou.
Antes de escrever qualquer Markdown, a equipe entrevistou três DBREs seniores e documentou o modelo mental deles para triagem de performance no Aurora PostgreSQL:
- Classificação do sinal inicial, isto é, qual métrica disparou o alarme.
- Avaliação do escopo de impacto: só a instância writer, só as readers, ou o cluster inteiro.
- Correlação de linha do tempo com deploy, evento de scaling ou mudança de padrão de tráfego.
- Escolha do ramo de investigação específico com base nos sinais anteriores.
- Investigação profunda seguindo o procedimento daquele ramo.
- Causa raiz e remediação em formato estruturado (ações imediatas, de curto e de longo prazo).
Como evidência da gravidade do problema, a AWS rodou o AWS DevOps Agent sem a Skill contra três incidentes simulados e mediu o baseline:
| Tipo de incidente | Duração | Hipóteses erradas | Causa raiz encontrada |
|---|---|---|---|
| Esgotamento de pool de conexões | 48 min | 3 | Sim, eventualmente |
| Regressão de query lenta | 55 min | 2 | Sim |
| Drift de parâmetro | 53 min | 4 | Parcial, sintomas identificados mas não correlacionados ao ModifyDBClusterParameterGroup |
No caso de drift de parâmetro, o agente sem a Skill identificou sintomas como queries lentas e bloat, mas nunca correlacionou com o evento ModifyDBClusterParameterGroup registrado no AWS CloudTrail.
A arquitetura
O AWS DevOps Agent é descrito pela AWS como um "colega de operações" que resolve e previne incidentes, otimiza confiabilidade e performance, e atende chamados sob demanda em ambientes AWS, multicloud e on-premises. As Skills são a camada que injeta conhecimento específico de domínio nesse agente. O fluxo, do alerta até a causa raiz, funciona assim:
- Um alarme chega via Amazon CloudWatch ou Performance Insights indicando degradação (por exemplo,
DatabaseConnectionsperto do limite ouReplicaLagacima do normal). - O Agent Space, configurado com acesso à conta do cluster Aurora, roteia o sinal para o AWS DevOps Agent.
- O agente avalia o campo
descriptiondo frontmatter de cada Skill disponível para decidir qual é relevante para o caso. - Ao carregar a Skill
aurora-pg-performance-degradation, o agente lê a tabela de classificação de sinais doSKILL.mde escolhe um ramo (A a E) com base no sinal predominante. - O agente executa o procedimento daquele ramo, consultando Amazon CloudWatch, Performance Insights e AWS CloudTrail conforme o caso, e aplica a lógica de árvore de decisão dos arquivos em
references/. - A saída final é estruturada em causa raiz mais ações imediatas, de curto prazo e de longo prazo.
A Skill em si é um diretório autocontido de arquivos Markdown:
aurora-pg-performance-degradation/
├── SKILL.md
└── references/
├── aurora-pg-metric-thresholds.md
├── connection-pool-sizing-guide.md
├── replication-lag-decision-tree.md
├── performance-insights-queries.md
└── vacuum-tuning-reference.mdA regra crítica embutida no SKILL.md prioriza os ramos em ordem fixa, A → B → C → D → E, porque esgotamento de conexões mascara todos os outros sintomas e por isso precisa ser descartado primeiro. Repetindo os mesmos três incidentes simulados, agora com a Skill ativa, a AWS mediu:
| Cenário | Duração | Ramo seguido | Hipóteses erradas |
|---|---|---|---|
| Esgotamento de pool | 11 min | Branch A (prioridade) | 0 |
| Regressão de query | 16 min | Correlação de timeline → Branch C | não informado |
| Drift de parâmetro | 15 min | Correlação via CloudTrail → Branch E | 1 |
No drift de parâmetro, o ganho vem de um passo específico: o Ramo E começa puxando o histórico de mudanças no AWS CloudTrail filtrando eventos ModifyDBClusterParameterGroup dos últimos sete dias, em vez de só olhar sintomas como bloat ou queries lentas.
Os serviços envolvidos
- AWS DevOps Agent: o agente que executa a investigação, hospedado num Agent Space com acesso à conta do cluster.
- Skills (Custom Skills): diretórios de Markdown seguindo a especificação aberta Agent Skills (agentskills.io), carregados e avaliados pelo agente via o campo
descriptiondo frontmatter. - Amazon Aurora PostgreSQL: o banco investigado, com métricas como
DatabaseConnections,ReplicaLag,db.load,FreeLocalStorageeVolumeBytesUsed. - Amazon CloudWatch e Performance Insights: fonte das métricas de conexão, replicação, I/O e das queries mais pesadas por
db.load. - AWS CloudTrail: usado no Ramo E para localizar eventos
ModifyDBClusterParameterGroupe correlacioná-los com o início do sintoma. - RDS Proxy: citado no Ramo A para distinguir sessões fixadas ("pinned") do proxy do pool direto da aplicação, já que cada caso aponta para uma correção diferente.
- Operator Web App: interface usada para implantar a Skill, seja por upload de zip, importação de repositório GitHub, criação manual na UI ou criação via chat em linguagem natural.
Trade-offs
Excelência operacional. Codificar o conhecimento tribal de três DBREs seniores num artefato versionável é o ganho central: a Skill fica disponível 24 horas por dia em vez de depender de quem está de plantão. O custo é que a Skill precisa de manutenção contínua: se o parameter group padrão muda ou a topologia de réplicas muda, as tabelas de threshold em references/ ficam desatualizadas e o agente erra a priorização.
Confiabilidade. A ordem fixa A → B → C → D → E dentro do SKILL.md existe porque esgotamento de conexão mascara os outros quatro sintomas; sem essa prioridade explícita, o agente investigado sem a Skill checou CPU, depois storage, depois replicação antes de examinar contagem de conexões. Isso reduz hipóteses erradas, mas o teste cobriu só três cenários simulados num cluster de teste, não um histórico de produção em escala.
Segurança. Dar ao AWS DevOps Agent acesso de leitura ao AWS CloudTrail e às métricas do cluster amplia a superfície de IAM que precisa ser revisada; a AWS recomenda restringir os tipos de agente que carregam a Skill (no caso, só Incident RCA e On-demand) para evitar que ela seja acionada fora de contexto.
Otimização de custos. Passar de 52 para 14 minutos de MTTR reduz o custo de cada incidente em tempo de engenheiro e em impacto no SLA, mas construir a Skill exigiu entrevistar três DBREs seniores e documentar cinco procedimentos de ramo; esse investimento de engenharia só se paga se o padrão de falha realmente se repetir com frequência suficiente no ambiente.
Custo estimado
O post da AWS não publica preço de uso do AWS DevOps Agent, da Operator Web App ou de execução de Skills, nem preço de infraestrutura associado à sa-east-1. O material fornecido documenta apenas o efeito operacional (MTTR) e o processo de construção da Skill, sem base de custo em dólares ou em horas de computação. Quem for avaliar a adoção precisa orçar à parte o tempo de engenharia para entrevistar DBREs, escrever o SKILL.md e manter os arquivos de referência atualizados.
Como adaptar
Para replicar o padrão num ambiente próprio, os passos descritos pela AWS são:
- Entrevistar os engenheiros que hoje resolvem esses incidentes e documentar a ordem em que eles checam sinais, não só a lista de métricas.
- Escrever uma tabela de classificação de sinais no frontmatter do
SKILL.md, mapeando o sinal primário para um ramo específico, com uma regra explícita de prioridade quando múltiplos sinais aparecem ao mesmo tempo. - Detalhar cada ramo como uma sequência de checagens seguida de uma etapa separada de interpretação, igual ao padrão usado nos cinco ramos do Aurora (A a E).
- Empacotar os arquivos de referência (thresholds, guias de sizing, templates de query) em
references/e, se houver, diagramas emassets/. - Fazer upload via zip (recomendado para Skills com arquivos de referência, limite de 6 MB) ou importar de um repositório GitHub para manter sincronização contínua.
- Selecionar os tipos de agente certos: a AWS escolheu Incident RCA e On-demand, e excluiu deliberadamente Incident Triage porque a triagem precisa responder em menos de 2 minutos, enquanto essa Skill é propositalmente minuciosa.
O mesmo padrão de árvore de decisão com prioridade explícita entre ramos se aplica a outras famílias de incidente onde o conhecimento também é tribal: throttling em Amazon DynamoDB, estouro de memória em clusters Amazon ElastiCache, ou degradação em réplicas de leitura do Amazon RDS para MySQL. O ponto de partida continua sendo o mesmo: entrevistar quem resolve o incidente hoje às duas da manhã, antes de escrever a primeira linha do SKILL.md.
Serviços neste textoWell-Architected
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "AWS DevOps Agent reduz MTTR de incidentes no Aurora PostgreSQL em 73%, para 14 minutos" (https://awshub.com.br/arquitetura/aws-devops-agent-reduz-mttr-de-incidentes-no-aurora-postgresql-em-73-para-14-min). Resumo: Equipe da AWS codificou o raciocínio de DBREs seniores numa Skill customizada do AWS DevOps Agent e, em teste controlado com três incidentes simulados em Aurora PostgreSQL, cortou o tempo médio de investigação de 52 para 14 minutos. Fonte oficial: https://aws.amazon.com/blogs/devops/reducing-database-incident-mttr-by-73-with-a-custom-aws-devops-agent-skill/ Serviços: Well-Architected Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?