Tracer-Cloud/opensre

解決的問題

OpenSRE 提供了一個構建 AI 站點可靠性工程 (SRE) 代理的框架，該代理可以自動調查並解決生產事故。透過為代理事故響應與訓練提供標準化環境，解決了分散式故障除錯難的問題（證據通常分散在日誌、指標與追蹤中）。

工作原理

當警報觸發時，系統遵循結構化流程：

1. 上下文收集：獲取相關的日誌、指標、追蹤與部署歷史。
2. 隱私保護：在將數據發送到 LLM 之前，可選擇性地對敏感識別碼進行遮蔽。
3. 推理：代理使用工具調用循環在連接的系統中測試假設。
4. 報告：生成結構化的調查報告，透過關聯證據識別可能的根本原因。
5. 修復：建議或執行解決問題的後續步驟。
6. 通知：將摘要發布到 Slack 或 Telegram 等通訊工具。

適用對象

此工具專為希望使用 AI 代理實現生產除錯與根本原因分析 (RCA) 自動化的 SRE、DevOps 工程師與開發人員設計。

亮點

• 廣泛的集成：連接超過 60 種工具，涵蓋可觀測性 (Grafana, Datadog, Sentry)、基礎設施 (Kubernetes, AWS, GCP) 與資料庫 (PostgreSQL, MongoDB)。
• 訓練與評估：包含合成事故模擬與端到端測試，用於基準測試並提升代理效能。
• 靈活的 LLM 支援：相容於包括 Anthropic, OpenAI, Gemini 以及透過 Ollama 運行的本地模型在內的各種供應商。
• Runbook 感知：代理在調查過程中可以自動讀取並應用現有的執行手冊 (Runbooks)。