Nightwatch: 一个开源、只读的 AI SRE

Nightwatch 是一个开源、本地优先的 AI SRE 层，旨在减少告警疲劳并实现根因分析自动化。它将“告警风暴”——即单个故障导致数十个分散的告警——转化为单个、统一的事件，并利用具备工具调用能力的 AI Agent 来调查实时系统并提出修复建议，这些建议必须由人工操作员审批。

设计上的只读架构

Nightwatch 是严格只读的。它进行观察、推理和建议，但绝不执行命令、确认告警或修改生产环境。每一个提出的修复方案都以可复制粘贴的形式提供，由人工进行把关并执行。这种设计确保了 AI 在调查过程中不会向实时系统中引入新的故障。

Nightwatch 的核心是一个 AI SRE 调查员，它使用 ReAct 循环（推理 $\rightarrow$ 行动 $\rightarrow$ 观察）从实时系统中收集证据。该 Agent 由一个类型化的只读能力白名单驱动，确保其只能执行读取操作。

能力	只读访问权限
Docker	容器、日志、统计数据和检查
Kubernetes	通过集群内 RBAC 访问 Pods、日志、事件和部署
AWS	通过 IAM 只读角色访问 CloudTrail 变更事件、EC2、安全组和配额
Grafana	通过数据源代理访问 PromQL 和 LogQL
GitHub	用于变更事件 RCA 的 CI 运行、发布和 PR
Git	用于提交、差异对比和代码搜索的镜像仓库
Host	普通 VM 的 CPU、内存、磁盘、进程和套接字日志

为了防止幻觉和安全风险，Nightwatch 采用了多种加固措施：

注入屏蔽： 对不可信的日志和差异对比进行屏蔽，以防止提示词注入。
密钥脱敏： 在发送给 LLM 提供商之前，对凭据和敏感数据进行单向脱敏。
落地性闸门： 当主张缺乏证据支持时，限制其置信度水平的机制。
动作分类： 每个动作都被分类为 read_only、reversible 或 irreversible。未知的动作默认被强制分类为 irreversible。

Nightwatch 采用“大脑”与“运行器”架构来调查受限环境中的系统。ninox runner 是一个轻量级的、仅限出站的 Agent，运行在 VPC、集群或本地网段内。Runner 持有本地凭据并向“大脑”发起呼叫，从而消除了对入站防火墙端口开放的需求。

Nightwatch 位于现有监控工具（如 Prometheus Alertmanager、Checkmk、Icinga2 和 Zabbix）之上，并将告警规范化为统一的模式。然后，它根据主机、服务、严重程度和时间窗口对告警进行聚类，将其分组为单个事件。

该系统还会识别“噪杂”的检查项——即那些频繁波动或过度敏感的检查项——并提供基于规则的调优建议，并附带证据以向人工操作员提供依据。

Nightwatch 支持多种 LLM 提供商，包括 Anthropic（调查员的默认提供商）、OpenAI、Mistral，以及通过 Ollama 或 vLLM 使用的本地 LLM。它还包含一个 template 提供商，可以在无需 LLM 的情况下完全离线工作，用于执行基础的摘要和建议。

为了维护隐私，脱敏和密钥脱敏操作会在每次远程调用之前运行，将主机名、IP 和 UUID 替换为确定性的占位符。

Nightwatch 在 Apache License 2.0 下授权。用户可以通过指向 MCP server、编写 Python 能力插件或使用 runner 协议来扩展 AI SRE 的能力。