如何根据有限材料还原workload？

问题来源

最近接到了个需求，我的心里是三分好奇，三分不解，四分荒唐的。

领导让我根据少量的材料，来构建出负载的workload。

我更加认可，最容易把AI神话的，既不是从来不用AI的人，也不是相当了解AI的人，而是对AI一知半解、觉得AI什么都能干的人。

这个需求确实有很高的价值，但领导们可以打出价值高度，执行层上的落实路径究竟是空中楼阁还是脚下实地，就真不好说了。

而真要完成这个需求，既要懂点AI，又要懂workload的构建，而且对workload的理解要求还要更高一些。

先说workload

workload这个东西，概念本身是很宽泛的。但一般情况下，它是在因成本考虑无法使用原始负载时，从业务中提取的一段典型负载。这里就和做benchmark很接近了，本质上都是受限于各种条件，而需要小规模地复现出原始的业务负载。

• 怎么提取？提取本质上是在对原始负载做减法：什么是必须的，什么是可以放弃的。比如，仅提取原始负载的前十个热点，其余函数都去除。
• 怎么组织？原始负载本身是完备的业务代码，但提取出的负载是一个子集，不一定能直接运行。一些框架虽然是必须的，但并不会对业务特征产生影响，那要不要保留框架呢？（所以有更高级的特征提取方式：指令流）

这里也可以看出，提取出一个workload是很复杂的工作了，speccpu也是10年才会更新一个大版本，中间从选型到实现，再到测试，都需要很多的时间和精力。

如何借助AI？

正常的构建workload的流程，输入材料是完备的，开发人员具备项目的源码、多种测试环境和丰富的测试工具与表征手段。如果没有AI，仅根据一张火焰图就把负载给构建起来，这种需求不具备可行性；即使有了AI，这个需求同样离谱。

但是话又说回来，离谱程度是和最终的目标相关的。按照传统的workload构建流程，最终的效果是要能“反映原始业务的特征”，抽象点说就是要在特征空间上具有相关性，从而可以通过调优workload来找到调优原始业务的手段。这是最终的目标，实现难度也最高。而如果仅是和输入材料的特征维度对齐，那么这个任务就相对简单了。

另一方面，AI的特点是输入材料越丰富，输出内容越满足需求。如果输入材料包括了源代码，凭借当前的agent能力，完全可以自动提取出workload。当输入材料不足的时候，至少这些材料的特征维度是可以对齐的。本质来说，从高维的特征空间提取出低维的特征是可以保证准确性的，这也就是原始业务和workload之间的关系。

这里，我本来已经给AI仅通过有限材料还原出高质量的workload下了“死刑”，但是这个任务仍然有解决的方案（滑稽）。

熟悉AI的人看到高维、低维这些其实应该也有思路了。这个任务实际上是要实现从低维特征到高维特征的映射。那么就可以按照模型训练的方式，加一层MLP即可。如果有足够的训练数据，完全可以训练一个特殊的模型，来学习市面上主流业务的特征映射关系，这样即使只有少量的材料，也可以构建出高质量的workload。

总结

上文中仅有我个人的思考，收束一下大致是这几点：

1. workload是原始业务做减法后的产物，它的价值不在于“跑起来”，而在于能否在特征空间上和原始业务保持相关性。只有相关性成立，调优workload得到的手段才可能迁移回原始业务。
2. 材料是否完备，决定了workload的质量。材料充足时（有源码、有测试环境），凭当前的agent能力自动提取workload是可行的；材料不足时（比如只有一张火焰图），能对齐的只是输入材料自身的特征维度，谈不上反映业务特征。
3. 但材料不足并不等于任务无解。从低维特征映射回高维特征，本质上是模型训练的问题：在建模流程中加一层MLP，用足够的训练数据去学习主流业务的特征映射关系，就有机会在少量材料下构建出高质量的workload。当然，训练数据的获取本身就是另一个大工程，这条路目前也是为了碟醋包了盘饺子的解法，没有可行性。

至于实际的实现，可以参考我使用AI搓出来的workload-rebuild skill。其中的流程和细节考虑得更加全面，虽然也是材料有限情况下的无奈之举了。它未必能实现“根据少量材料还原出高质量workload”的终极目标，但至少比空想要实在一些。