Arvo-AI/aurora

它解决了什么问题

当凌晨 3 点警报响起时，值班工程师通常需要花 30–60 分钟手动检查仪表盘、运行 kubectl 命令、阅读日志和搜索 Slack 历史。Aurora 自动化了整个调查过程：它接收警报，启动 AI 代理，这些代理会检查你的整个技术栈，并在你打开笔记本电脑时提供结构化的根本原因分析。它将一个重复、压力大、手动操作的过程转变为自主过程。

它是如何工作的

Aurora 从 PagerDuty、Datadog、Grafana、New Relic、OpsGenie 和 incident.io 等工具接收警报。每个警报都会自动触发后台调查。AI 代理从 30 多个工具中选择并运行命令——如 kubectl、aws、az 和 gcloud——在沙箱化的 Kubernetes Pod 中。它们查询日志、检查部署、跨服务关联数据，并构建基础设施依赖图以追踪爆炸半径。调查生成结构化的 RCA，包含时间线、根本原因、影响和修复步骤。Aurora 还可以自动生成事后报告，甚至建议带有拉取请求的代码修复。

适用人群

Aurora 专为 SRE 团队、DevOps 工程师以及任何参与值班轮换的人设计。它适用于希望减少警报疲劳、加快事件响应速度，并保留调查知识而不是将其孤立在个人手中的团队。由于它是 100% 自托管，并且仅需一个 LLM API 密钥即可工作，它也适用于有严格数据隐私要求或气隙环境的企业。

亮点

• 代理式调查 – AI 代理自主选择并运行 30 多个工具，覆盖你的整个基础设施。
• 沙箱化执行 – 命令在隔离的 Kubernetes Pod 中运行，使用 NetworkPolicy，而不是在控制平面上。
• 自动生成事后报告 – 包含时间线、根本原因、影响和修复步骤的详细报告，可导出到 Confluence、Notion 或 SharePoint。
• 基础设施知识图谱 – 可视化依赖关系并跨服务和提供商追踪爆炸半径。
• 多云和任意 LLM – 支持 AWS、Azure、GCP、OVH、Scaleway、Cloudflare，并支持 OpenAI、Anthropic、Gemini、Vertex AI、Bedrock、OpenRouter、Ollama。
• 自托管和私有 – 无遥测，零数据发送到 Arvo AI；密钥在 Vault 或 AWS Secrets Manager 中加密。
• 可扩展 – 生命周期钩子、命令策略、MCP 服务器，以及与 Slack、Jira 等的集成。