devAryagupta/autonomous-incident-response-agent
GitHub: devAryagupta/autonomous-incident-response-agent
基于 LangGraph 的自主事件响应 Agent，通过确定性推理流水线自动诊断和修复 Kubernetes CrashLoopBackOff 等运维故障。
Stars: 0 | Forks: 0
# 自主事件响应 Agent（渐进式构建）
我们正按照以下计划中的方案**分阶段渐进式构建**该项目：
`C:\Users\ag551\.claude\plans\https-github-com-madhurprash-langgraph-a-velvety-peacock.md`。
## 阶段 0（当前）
- 项目骨架 + 针对首个事件类别的**合成事件数据集**：
**Kubernetes `CrashLoopBackOff`**。
- 确定性推理生命周期 + **LangGraph 直线编排**
(`START → diagnose → hypothesize → plan_fix → validate_fix → confidence → END`)。
成功标准：`GRAPH.invoke(state)` 与 `run_deterministic_lifecycle()` 相匹配。
## 快速开始
### 创建虚拟环境 + 安装
```
cd "d:\autonomous incident-response agent"
py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -U pip
pip install -e ".[dev]"
```
### 生成数据集
```
python -m incident_agent.datasets.crashloopbackoff.generate --out ".\data\synthetic\crashloopbackoff\incidents.jsonl" --n 50
```
### 评估预测结果（数据集层）
1. 准备一个预测文件 (`.jsonl`)，每个事件 id 对应一个 JSON，例如：
```
{"schema_version":"1","incident_id":"clb-...","predicted_category":"missing_env_var","predicted_root_cause":"...","predicted_fix_summary":"..."}
```
2. 运行：
```
python -m incident_agent.datasets.eval --dataset ".\data\synthetic\crashloopbackoff\incidents.jsonl" --predictions ".\predictions.jsonl"
```
### 运行测试
```
pytest
```
## Benchmark 运行器
在数据集上运行 benchmark 并写入产物：
- `predictions..jsonl`
- `report..json`
示例：
```
$env:PYTHONPATH=(Resolve-Path .\src).Path
py -m incident_agent.benchmark --task crashloopbackoff --dataset ".\data\synthetic\crashloopbackoff\incidents.jsonl" --baseline heuristic --out-dir ".\artifacts\benchmarks\crashloop"
```
Baselines：
- `oracle`：从数据集中复制 ground-truth（健全性检查，其类别准确率应达到 1.0）
- `empty`：不输出任何预测（下界）
- `heuristic`：简单的关键词匹配器（无 AI），用于验证端到端的基础流程
标签：Incident Response, LangGraph, Python, 子域名突变, 安全规则引擎, 故障诊断, 无后门, 自动化运维, 逆向工具