Harshil26202/nexus
GitHub: Harshil26202/nexus
NEXUS 是一个AI原生平台，利用GPT-4o agents自动化CI/CD、优化测试选择和事件响应，以解决工程团队在部署效率和故障恢复上的痛点。
Stars: 0 | Forks: 0
# ⚡ NEXUS
### AI 原生工程智能平台
[](LICENSE)
[](https://python.org)
[](https://nextjs.org)
[](https://fastapi.tiangolo.com)
[](docker-compose.yml)
[](https://devpost.com)
**为 Microsoft Build AI Hackathon 2026 提交 · 主题 6: AI 驱动的生产功能**
[在线演示](#quickstart) · [架构](#architecture) · [功能](#features) · [API 文档](http://localhost:8000/docs)
*你的 CI/CD 流水线在每次提交时运行 500 个测试。80% 是无关紧要的。昨晚生产环境崩溃，花了 3 个小时才找到根本原因。NEXUS 能自动修复这两个问题——通过 AI。*
## 问题所在
每个工程团队都通过一个为没有 AI 的世界设计的流水线来交付代码：
| 痛点 | 现实 | NEXUS 解决方案 |
|---|---|---|
| 盲目执行测试 | 所有 500 个测试在每次提交时运行 | AI 只选择与你变更相关的约 40 个测试 |
| 静态质量门禁 | "覆盖率 ≥ 80%"，不分上下文 | 自适应 AI 门禁，在周五部署时收紧，热修复时放宽 |
| 手动事故响应 | 工程师花费 3+ 小时追踪根本原因 | AI 在几秒内识别出有问题的提交，并起草事后复盘报告 |
| DevOps 部落知识 | 需要知道 CLI、仪表板、运行手册 | 用普通英语提问：“昨晚认证服务为什么失败了？” |
## 功能特性
### 当前可用功能
- **语义差异分析器** — GPT-4o 阅读你实际的代码差异，识别影响范围、风险因素和受影响的服务。给出 0-100 的风险评分及普通英语的解释。
- **测试智能引擎** — ML（XGBoost）+ LLM 推理选择相关的测试子集。跳过可证明未受影响的测试。在我们的演示数据中，**CI 时间平均减少 67%**。
- **自适应质量门禁** — AI 根据上下文评估门禁，而不仅仅是静态阈值。示例门禁提示：“如果修改了 auth 中间件但没有安全审查 PR 标签，则阻止。”
- **事件智能** — 当警报触发时，智能体会关联指标和 git 历史，精确定位根本原因提交，并自动生成完整的 Google SRE 风格的事后复盘草案。
- **自然语言 DevOps** — 通过聊天界面使用普通英语查询流水线数据。无需挖掘仪表板。
- **实时仪表板** — 通过 WebSocket 实时馈送流水线事件、风险评分、智能体活动和事故状态。
- **部署后监控智能体** — 监控部署后的指标，检测回归，自动触发事故创建。
### 平台功能
- REST API，可在 `/docs` 访问交互式 Swagger 文档
- WebSocket 事件流，用于实时 UI 更新
- Prometheus 指标在 `/metrics`，Grafana 仪表板在 `:3001`
- OpenTelemetry 分布式追踪
- 种子演示数据 — 开箱即用的完整仪表板
## 架构
```
┌─────────────────────────────────────────────────────────────────────┐
│ DEVELOPER WORKFLOW │
│ │
│ git push ──▶ GitHub PR ──▶ CI trigger │
└──────────────────────────────┬──────────────────────────────────────┘
│ POST /api/v1/webhooks/github
▼
┌─────────────────────────────────────────────────────────────────────┐
│ NEXUS BACKEND (FastAPI · Python 3.11) │
│ │
│ /pipelines /incidents /quality-gates /analytics /chat │
│ /webhooks /ws │
│ │ │
│ ┌──────────▼──────────┐ │
│ │ Agent Dispatcher │ │
│ └──────────┬──────────┘ │
└───────────────────────────────┼─────────────────────────────────────┘
│ spawns AI agents
▼
┌─────────────────────────────────────────────────────────────────────┐
│ MULTI-AGENT SYSTEM (GPT-4o) │
│ │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ Semantic Analyzer │ │ Test Intelligence │ │
│ │ • Code diff NLU │ │ • XGBoost + LLM │ │
│ │ • Blast radius │ │ • 67% CI savings │ │
│ │ • Risk score 0–100│ │ • Smart skip │ │
│ └──────────────────┘ └──────────────────┘ │
│ │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ Quality Gate │ │ Incident Response │ │
│ │ • Adaptive AI │ │ • Root cause AI │ │
│ │ • Context-aware │ │ • Postmortem gen │ │
│ │ • Deploy block │ │ • MTTR: hrs→mins │ │
│ └──────────────────┘ └──────────────────┘ │
│ │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ NL DevOps Chat │ │ Monitoring Agent │ │
│ │ • Plain English │ │ • Post-deploy │ │
│ │ • Pipeline query │ │ • Auto incidents │ │
│ │ • No CLI needed │ │ • Anomaly detect │ │
│ └──────────────────┘ └──────────────────┘ │
└───────────────────────┬─────────────────────────────────────────────┘
│
┌─────────────┴───────────────┐
▼ ▼
┌──────────────────┐ ┌────────────────────┐
│ PostgreSQL 16 │ │ Redis 7 │
│ │ │ │
│ • Pipelines │ │ • Response cache │
│ • Incidents │ │ • Pub/Sub events │
│ • Quality gates │ │ • Rate limiting │
│ • Agent tasks │ │ • WebSocket fanout │
└──────────────────┘ └────────────────────┘
┌─────────────────────────────────────────────────────────────────────┐
│ FRONTEND (Next.js 14 · TypeScript) │
│ │
│ Dashboard · Pipelines · Incidents · Quality Gates · Agents · Chat │
│ │
│ Live WebSocket stream · Recharts visualizations │
└─────────────────────────────────────────────────────────────────────┘
┌─────────────────────────────────────────────────────────────────────┐
│ OBSERVABILITY │
│ Prometheus → Grafana · OpenTelemetry Collector · Structlog │
└─────────────────────────────────────────────────────────────────────┘
┌──────────────────────┐
│ AI PROVIDERS │
│ │
│ OpenAI (default) │
│ ─── or ─── │
│ Azure OpenAI │
│ (swap via .env) │
└──────────────────────┘
```
## 快速开始
**前提条件：** Docker Desktop · 一个 OpenAI API 密钥（在 [platform.openai.com](https://platform.openai.com) 获取）
```
# 1. Clone
git clone https://github.com/Harshil26202/nexus.git
cd nexus
# 2. 配置 — 只需一个密钥即可开始
cp .env.example .env
# 打开 .env 并设置：OPENAI_API_KEY=sk-...
# 其余所有项都有适用于本地开发的默认值。
# 3. 启动所有组件
make dev
# 或不使用 Make：
docker compose up --build -d
```
| 服务 | URL |
|---|---|
| 仪表板 | http://localhost:3000 |
| API + Swagger 文档 | http://localhost:8000/docs |
| Grafana | http://localhost:3001 (admin / admin) |
| Prometheus | http://localhost:9090 |
### 填充演示数据（可选——让仪表板看起来更棒）
```
make seed
# 或：
docker compose exec backend python -m app.scripts.seed_demo_data
```
这将填充 60 次流水线运行、5 个质量门禁、3 个事故以及智能体任务历史记录，使仪表板在首次启动时内容完整。
### 常用命令
```
make logs # tail backend + agent worker + frontend logs
make migrate # run database migrations
make seed # populate demo data
make test # run backend + frontend test suites
make lint # ruff + mypy + eslint
make down # stop everything
make clean # stop + remove volumes
```
## 使用 Azure OpenAI
NEXUS 会自动检测使用哪个提供程序。如果你有 Azure 凭据：
```
# 在 .env 中 — 设置以下两项，Azure 将自动接管：
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_OPENAI_API_KEY=your-azure-key
```
将它们留空（默认值）则使用标准的 OpenAI。
## 技术栈
| 层级 | 技术 |
|---|---|
| 前端 | Next.js 14, TypeScript, Tailwind CSS, Recharts, TanStack Query |
| 后端 API | FastAPI (Python 3.11), AsyncPG, SQLAlchemy 2.0 (异步) |
| AI / LLM | OpenAI GPT-4o · Azure OpenAI (直接替换) |
| 机器学习模型 | XGBoost, scikit-learn, pandas (风险评分 + 测试预测) |
| 嵌入 | text-embedding-3-large |
| 缓存 / 发布订阅 | Redis 7 (异步, 连接池) |
| 数据库 | PostgreSQL 16 |
| 消息队列 | Azure Service Bus (可选, 异步智能体任务) |
| 向量搜索 | Azure AI Search (可选, 语义事故搜索) |
| 可观测性 | Prometheus + Grafana + OpenTelemetry + Structlog |
| 认证 | JWT + Azure Entra ID (可选 SSO) |
| 容器化 | Docker Compose (开发环境) |
| 基础设施即代码 | Terraform (infrastructure/) |
| CI/CD | GitHub Actions (.github/workflows/) |
## 项目结构
```
nexus/
├── frontend/ # Next.js 14 dashboard
│ ├── app/(dashboard)/ # Dashboard, Pipelines, Incidents, Agents, Chat
│ ├── components/ # Reusable UI + WebSocket hooks
│ └── lib/ # Axios API client, socket utilities
│
├── backend/ # FastAPI + multi-agent system
│ ├── app/
│ │ ├── agents/ # 7 specialized AI agents
│ │ │ ├── orchestrator.py # Master coordinator
│ │ │ ├── semantic_analyzer.py # Code diff intelligence
│ │ │ ├── test_intelligence.py # Smart test selection
│ │ │ ├── quality_gate_agent.py # Adaptive quality gates
│ │ │ ├── incident_response.py # Root cause + postmortem
│ │ │ ├── monitoring_agent.py # Post-deploy health
│ │ │ └── nl_devops.py # Natural language interface
│ │ ├── routers/ # REST + WebSocket endpoints
│ │ ├── models/ # SQLAlchemy ORM models
│ │ ├── services/ # GitHub, notifications, ML
│ │ ├── scripts/ # seed_demo_data.py
│ │ └── core/ # Config, DB, Redis, telemetry, auth
│ ├── main.py # FastAPI app entrypoint
│ └── requirements.txt
│
├── ml/ # ML model code (risk scoring, test prediction)
│ ├── risk_scoring/ # Gradient boosting risk model
│ └── test_prediction/ # XGBoost test failure prediction
│
├── infrastructure/
│ ├── terraform/ # Azure infrastructure as code
│ ├── kubernetes/ # AKS manifests
│ └── monitoring/ # Prometheus, Grafana, OTEL config
│
├── .github/workflows/ # CI (lint, test, build) + CD pipelines
├── docker-compose.yml # Full local stack
├── Makefile # Developer convenience commands
└── .env.example # Configuration template
```
## API 参考
运行后，完整的交互式 API 位于 **http://localhost:8000/docs**。
关键端点：
| 方法 | 端点 | 描述 |
|---|---|---|
| `GET` | `/api/v1/pipelines/` | 列出带有风险评分的流水线运行 |
| `GET` | `/api/v1/pipelines/{id}` | 流水线详情 + AI 分析 |
| `POST` | `/api/v1/webhooks/github` | GitHub webhook 接收器 |
| `GET` | `/api/v1/incidents/` | 活跃 + 已解决的事故 |
| `GET` | `/api/v1/quality-gates/` | 门禁定义 + 结果 |
| `POST` | `/api/v1/chat/` | 自然语言 DevOps 查询 |
| `GET` | `/api/v1/analytics/overview` | 平台范围统计 |
| `WS` | `/ws/pipelines` | 实时流水线事件流 |
| `GET` | `/health` | 健康检查 |
| `GET` | `/metrics` | Prometheus 指标 |
## AI 如何工作 — 端到端流程
```
1. Developer opens a PR on GitHub
│
▼
2. GitHub sends a webhook → POST /api/v1/webhooks/github
│
▼
3. Semantic Analyzer (GPT-4o) reads the raw diff
→ Identifies: blast radius, risk factors, affected services
→ Assigns: risk score 0–100, risk level (low/medium/high/critical)
→ Writes: plain-English summary for the team
│
▼
4. Test Intelligence (XGBoost + GPT-4o) selects relevant tests
→ Skips ~67% of the test suite that can't be affected
→ Prioritizes highest-risk paths
│
▼
5. Quality Gate Agent evaluates gates with AI reasoning
→ Applies adaptive thresholds based on context
→ Returns: pass/fail + deploy recommendation
│
▼
6. Results appear live on the dashboard via WebSocket
→ Risk score, blast radius, gate results, AI recommendation
│
▼
7. If production breaks post-deploy:
Incident Response Agent traces root commit → postmortem → fix suggestion
```
## 演示导览
1. 打开 **http://localhost:3000** — 仪表板显示实时流水线统计、风险分布、智能体活动
2. 转到 **流水线** — 查看 60 次运行及其 AI 风险评分、语义摘要、影响范围
3. 点击任意流水线 — 深入了解 AI 分析、测试选择理由、门禁结果
4. 转到 **事故** — 查看 SEV1 (已解决) 事故，包括完整事后复盘、根本原因提交及建议修复
5. 转到 **质量门禁** — 查看带有自然语言 AI 提示的自适应门禁
6. 打开 **聊天** — 询问：“本周哪些流水线有高风险？”
7. 打开 **Grafana** (http://localhost:3001) — 查看基础设施指标
## 使用的 AI 工具
- **Claude Code** — 架构设计、全栈实现
- **GitHub Copilot** — 开发过程中的内联建议
## 团队
由 Harshil Kaneriya 在 **Microsoft Build AI Hackathon 2026** 构建
## 许可证
MIT — 参见 [LICENSE](LICENSE)标签：AI 代理, AI 原生, Apex, AV绕过, Docker, FastAPI, GPT-4o, NIDS, NL DevOps, Python, 安全防御评估, 容器化, 工程智能平台, 搜索引擎查询, 数据管道, 无后门, 智能运维, 机器学习, 根因分析, 测试用例, 生产优化, 用户代理, 自定义请求头, 自适应质量门禁, 语义差异分析, 请求拦截, 质量管理, 软件工程, 软件开发, 风险评分