ongridio/ongrid

它解决了什么问题

Ongrid 是一个由人工智能驱动的运维代理，旨在自动化基础设施问题的调查与修复。它通过关联系统拓扑中的指标、日志和追踪数据，消除手动进行根本原因分析（RCA）的繁琐工作，通常能精准定位到具体代码行。

它如何工作

Ongrid 使用分层代理系统，包含一个协调器，负责将任务分发给专业代理（如 SRE、网络或数据库代理）。它与可观测性堆栈（Prometheus、Loki、Tempo、Grafana）集成，并使用基于 RAG 的知识搜索来索引操作手册和事件历史。该系统可通过警报或通过 Slack 或 Telegram 等聊天界面的用户查询触发，并包含一个“写入门禁”机制，在任何生产变更执行前需经人工审批。

适合谁使用

专为 SRE、DevOps 工程师和平台运维人员设计，适用于管理复杂基础设施（包括 Kubernetes 集群和网络设备）并希望借助自动化调查手段降低平均恢复时间（MTTR）的用户。

主要亮点

• 自动化根本原因分析：关联可观测性数据和拓扑信息，识别告警背后的“原因”。
• 多代理架构：使用协调器和专业代理来处理不同的基础设施领域。
• 与聊天工具无缝衔接：可直接在 Slack、Telegram 和其他即时通讯渠道中运行。
• 安全访问：提供基于浏览器的 SSH shell，采用反向隧道技术，无需在主机上开放入站端口。
• 可扩展的工具链：支持 MCP 服务器和自定义技能目录，便于添加新的运维工具。
• Kubernetes 管理：支持集群注册、工作负载检查和生命周期升级。

一个真正能理解系统上下文并自动执行修复的 AI 运维代理——@on_grid