emma-sue/AegisOps

AegisOps企业信息系统智能运维平台:自动巡检、Agent 故障排查、证据工单与审批处置。LangGraph · Deep Agents · MCP;附可复现实测记录。

何であるか

AegisOps(リポジトリでは 企業情報システム智能運維 Agent として表示)は、中国語環境向けのオープンソースAI駆動型運用コンソールです。自動化されたヘルスチェック、アラートの重複排除、ログ・メトリクス・変更記録から証拠を収集するLLM駆動の「エージェント」、そして人間のオペレーターが証拠を確認し、対応を承認・実行できるチケットワークフローを統合しています。

核心的なアイデアは、言語モデルベースのエージェントが、サービスが異常を起こしている理由を説明し、関連データを自動収集し、人間が検証・実行可能な作業指示書のドラフトを生成することです。システムは、固定データ(APIキー不要)を使用する完全なデモモード、または本番環境向けに実際のLLM(例:DeepSeek-flash)と通信するライブモードで動作可能です。


主な機能

機能 動作方法
スケジュールされた点検とアラート 8つの組み込みヘルスチェックルールがタイマーで実行され、アラートを生成し、重複を排除して後でレビューできる原始アラートデータを保持します。
LLM駆動の障害調査 LangGraphワークフローが Deep Agents(LLMエージェント)をオーケストレーションします。エージェントは必要に応じて「スキル」をロードし、MCP SDK経由で読み取り専用データを読み取り、構造化された診断レポートを生成します。
証拠収集とチケットドラフト作成 選択された資産と時間範囲に対して、システムは原始証拠(ログ、メトリクス、コールチェーン)とハッシュを保存します。診断レポートはこの証拠にリンクされ、作業指示書のドラフトは割り当て・コメント・追加証拠の付加が可能です。
知識の再利用 ドキュメントは組織/システム/バージョンごとにインデックス化されます。キーワード検索または(オプションで)pgvectorによる意味的検索が可能。承認済みケースとスキルは将来の再利用のためにキュレートされます。
人間の承認と安全な修復 作業指示書の承認は、操作パラメータ、バージョン、有効期間を紐づけます。チェックポイントとイデムポテンツ書き込みにより、修復処理は安全に一時停止・再開が可能です。
進捗とリソース監視 サーバーサイドイベント(SSE)でタスク進捗をストリーミング。証拠収集ラウンド数、LLM呼び出し回数、トークン使用量の上限を設定し、コストと遅延をログに記録します。

アーキテクチャとテックスタック

  • エージェント層 – ワークフローのオーケストレーションにLangGraph、LLM推論にDeep Agents、制御されたツールアクセスにカスタムスキルとMCP SDKを使用。
  • データ・タスク層 – PostgreSQL(オプションの意味的検索にpgvector)は資産、チケット、知識を格納。Redis Streamsは非同期タスクキューとチェックポイント処理を担当。
  • サービス・UI – Spring Boot(Java)がビジネスロジック、権限、チケットAPIを提供。FastAPI(Python)がエージェントワーカーを実行。Vue 3が中国語対応のWebコンソールを提供。
  • 開発/テストツール – Docker Composeでマルチサービスのオーケストレーション。pytest と JUnitでユニットテスト。PlaywrightでエンドツーエンドUIテスト。

一般的なワークフロー(READMEに図解)

  1. 検出 – スケジュールされた点検または手動トリガーによりアラートが発生(例:「ファイル処理の遅延」)。
  2. 範囲指定 – オペレーターが影響を受けた資産と時間範囲を選択。システムが原始証拠を収集。
  3. 調査 – LLMエージェントが証拠、依存関係グラフ、関連する手順書を参照し、診断を生成。候補となる根本原因と「検証が必要」項目を提示。
  4. チケットドラフト作成 – 診断結果を付加した作業指示書ドラフトが作成され、割り当て・コメント・追加証拠の付加が可能。
  5. 承認 – 承認権限を持つレビュアーが修復計画を承認。必要に応じて、隔離された障害注入リハーサルも実施可能。
  6. 実行と検証 – 修復処理が実行され、システムがビジネスレベルの結果をチェック。最終レポートは将来の参照用にアーカイブ。

どれくらい効果的か?

作者はDeepSeek-flashモデルを使用して12件の公開障害事例(24回のペア実行)でベンチマークを実施:

  • 中央値診断時間は 23.5秒 から 15.6秒 に短縮(-33%)。
  • バッチあたりの合計トークン数は 1.08M から 0.50M に減少(-54%)。
  • モデル呼び出し回数は 108回 から 60回 に減少(-44%)。 また、20回の中断・再開テストでは、エージェントがチケットの重複なしに正しく作業を再開できました。

    注:ベンチマークは再現された公開データとローカルデモ環境を使用。実世界のパフォーマンスは異なる場合があります。


クイックスタート

# 1. リポジトリをクローン
git clone https://github.com/emma-sue/-Agent-.git
cd -Agent-
cp .env.example .env   # ライブLLMモードにする場合は編集

# 2. デモ実行(macOS Apple Silicon専用)
make demo-local   # 自己完結型ランタイムをダウンロードし、すべてのサービスを起動

# 3. 他のプラットフォームではDocker Composeを使用
docker compose --env-file .env --profile live-lab up --build -d --wait

# 4. UIを開く
open http://127.0.0.1:5173   # ユーザー名 "ops-demo" と .env から取得したデモパスワードでログイン

デモは AI_MODE=fixture で提供されるため、APIキーは不要です。実際のモデルを使用するには AI_MODE=live に切り替え、CHAT_BASE_URL、CHAT_MODEL、CHAT_API_KEY(例:DeepSeek資格情報)を入力してください。


誰が使うべきか?

  • モニタリング、自動根本原因分析、チケット作成を統合したコンソールが必要な企業IT運用チーム。
  • LLM支援のRCA(根本原因分析)ワークフローをプロトタイピングしたいSRE。
  • 他の分野(セキュリティ、コンプライアンスなど)にLangGraphベースのエージェントパターンを再利用したい内部ツール開発者。

ドキュメントとコミュニティ

  • ドキュメントハブ – docs/INDEX.md は実行ガイド、API仕様、コードリーディングガイド、ベンチマーク詳細へのリンクを提供。
  • イシュートラッカー – https://github.com/emma-sue/-Agent-/issues でバグ、機能要望、デプロイ支援を報告。
  • 上流コンポーネント – プロジェクトはDeep Agents、LangGraph、MCP SDKを再利用。ライセンスと貢献に関するノートは docs/upstream-reuse.md を参照。

TL;DR

AegisOpsは中国語対応のオープンソースAI運用プラットフォームで、スケジュールされたヘルスチェック、LangGraphでオーケストレーションされたLLMエージェント、証拠保持型診断、チケット承認ワークフローを統合しています。デモ用に完全オフラインで動作可能、または本番環境向けに実際のLLM(例:DeepSeek)に接続可能。Docker ComposeまたはmacOS専用ネイティブデモランタイムで迅速な評価が可能です。

関連

  • プロジェクト
  • プロジェクト
  • プロジェクト
  • プロジェクト