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。
是什么
AegisOps(在仓库中显示为 企业信息系统智能运维 Agent)是一款面向中文企业IT环境的开源AI驱动运维控制台。它整合了自动化健康检查、告警去重、基于LLM的“Agent”从日志、指标和变更记录中收集证据,以及允许人类操作员审查证据、批准操作并关闭事件的工单工作流。
核心理念是让基于语言模型的Agent 解释服务为何表现异常,自动收集相关数据,并生成人类可验证和执行的工单草稿。系统可在完全演示模式下运行(使用固定数据,无需API密钥),也可在真实LLM(如DeepSeek-flash)连接的生产模式下运行。
主要功能
| 功能 | 工作方式 |
|---|---|
| 定时检查与告警 | 8个内置健康检查规则按定时器运行,生成告警,去重并保留原始告警数据以供后续审查。 |
| LLM驱动的故障调查 | LangGraph工作流协调 Deep Agents(LLM Agent)。Agent按需加载“技能”,通过MCP SDK读取只读数据,并生成结构化诊断报告。 |
| 证据收集与工单起草 | 针对选定资产和时间窗口,系统存储原始证据(日志、指标、调用链)及其哈希值。诊断报告链接至这些证据,可分配、注释并最终批准工单草稿。 |
| 知识复用 | 文档按组织/系统/版本索引。用户可通过关键词或(可选)pgvector语义搜索。已批准案例和技能将被整理以供未来复用。 |
| 人工审批与安全修复 | 工单审批绑定操作参数、版本和有效期。检查点和幂等写入允许修复过程安全暂停/恢复。 |
| 进度与资源监控 | 通过服务器发送事件(SSE)流式传输任务进度。平台限制证据收集轮次、LLM调用次数和令牌使用量,记录成本与延迟。 |
架构与技术栈
- Agent层 – 使用LangGraph进行工作流编排,Deep Agents进行LLM推理,自定义技能和MCP SDK实现受控工具访问。
- 数据与任务层 – PostgreSQL(支持pgvector语义搜索)存储资产、工单和知识;Redis Streams处理异步任务队列和检查点。
- 服务与UI – Spring Boot(Java)提供业务逻辑、权限和工单API;FastAPI(Python)运行Agent工作进程;Vue 3提供中文语言Web控制台。
- 开发/测试工具 – Docker Compose用于多服务编排;
pytest与JUnit用于单元测试;Playwright用于端到端UI测试。
典型工作流(README中可视化)
- 检测 – 定时检查或手动触发引发告警(如“文件处理延迟”)。
- 定位 – 操作员选择受影响资产和时间窗口;系统收集原始证据。
- 调查 – LLM Agent运行,查阅证据、依赖图和相关规程文档,生成包含候选根本原因和“待验证”项的诊断报告。
- 起草工单 – 诊断报告附于工单草稿,可分配、评论并补充额外证据。
- 审批 – 授权审查者批准修复方案,可能包含隔离故障注入演练。
- 执行与验证 – 修复执行,系统检查业务级结果,最终报告归档以供未来参考。
效果如何?
作者使用DeepSeek-flash模型对12个公开事件案例(24次配对运行)进行了基准测试:
- 中位诊断时间从 23.5秒 降至 15.6秒(-33%)。
- 每批总令牌数从 1.08M 降至 0.50M(-54%)。
- 模型调用次数从 108次 降至 60次(-44%)。
还进行了20次中断恢复测试,Agent正确恢复工作且未重复创建工单。
注:基准测试使用重放的公开数据和本地演示环境;真实世界性能可能有所不同。
快速入门(快速启动)
# 1. 克隆仓库
git clone https://github.com/emma-sue/-Agent-.git
cd -Agent-
cp .env.example .env # 如需使用真实LLM模式,请编辑
# 2. 运行演示(仅限macOS Apple Silicon)
make demo-local # 下载自包含运行时并启动所有服务
# 3. 其他平台使用Docker Compose
docker compose --env-file .env --profile live-lab up --build -d --wait
# 4. 打开UI
open http://127.0.0.1:5173 # 使用用户 "ops-demo" 和 .env 中的演示密码登录
演示默认使用 AI_MODE=fixture,无需API密钥。切换至真实模型,请设置 AI_MODE=live 并填写 CHAT_BASE_URL、CHAT_MODEL 和 CHAT_API_KEY(如DeepSeek凭证)。
谁会使用它?
- 需要统一控制台进行监控、自动化根因分析和工单管理的企业IT运维团队。
- 希望原型化LLM辅助RCA(根因分析)工作流但不想从零构建技术栈的SRE。
- 希望在其他领域(安全、合规等)复用LangGraph驱动Agent模式的内部工具开发者。
文档与社区
- 文档中心 –
docs/INDEX.md提供运行指南、API规范、代码阅读指南和基准详情链接。 - 问题追踪 – https://github.com/emma-sue/-Agent-/issues 用于报告Bug、功能请求和部署帮助。
- 上游组件 – 项目复用Deep Agents、LangGraph和MCP SDK;详见
docs/upstream-reuse.md的许可与贡献说明。
TL;DR
AegisOps是一款支持中文的开源AI运维平台,整合了定时健康检查、LangGraph编排的LLM Agent、证据保留型诊断和工单审批工作流。可完全离线运行用于演示,也可连接真实LLM(如DeepSeek)用于生产环境,支持Docker Compose或macOS原生演示运行时,便于快速评估。
相关
- 项目
- 项目
- 项目
- 项目