ravibandari68/onCallRelay-ai

# ShiftBrief AI ShiftBrief AI 是一个小型的 AI 辅助 SRE 工具，它可以将杂乱的事件记录 转换为一致的 on-call 交接文档。 ## 问题 在轮班交接期间，操作细节可能散落在聊天消息、 警报、终端输出和个人笔记中。重要的上下文可能会丢失。 ## MVP 功能 - 接收事件元数据和原始笔记 - 对几种常见的密钥模式进行脱敏处理 - 使用本地 Ollama 模型 - 生成经过验证的、结构化的交接文档 - 明确区分证据、已完成的操作、下一步操作、风险和未知项 - 将交接文档导出为 Markdown ## 架构 ``` flowchart LR A[Engineer incident notes] --> B[Streamlit UI] B --> C[Secret redaction] C --> D[Local Ollama model] D --> E[Pydantic schema validation] E --> F[Structured handoff] F --> G[Markdown download] ``` ## 本地运行 1. 安装 Python 3.10 或更高版本。 2. 安装并启动 Ollama。 3. 下载模型： ``` ollama run gemma3:4b ``` 4. 创建 Python 虚拟环境： ``` python -m venv .venv ``` 5. 激活环境： Windows PowerShell： ``` .venv\Scripts\Activate.ps1 ``` macOS/Linux： ``` source .venv/bin/activate ``` 6. 安装依赖项： ``` pip install -r requirements.txt ``` 7. 运行应用程序： ``` streamlit run app.py ``` ## 演示 使用 `sample_incident.txt` 作为输入。 建议的演示流程： 1. 展示非结构化的事件笔记。 2. 生成交接文档。 3. 指出客户影响、已完成的工作、下一步操作和警告。 4. 展示缺失的事实会被标记出来，而不是被捏造。 5. 下载 Markdown 交接文档。 ## 重要限制 - 这是一个助手，而不是自主的事件响应器。 - 工程师必须审查每一份交接文档。 - 在演示中使用合成或经过脱敏的数据。 - 当前的脱敏规则仅为示例，并非完整的 DLP 解决方案。 - 质量取决于输入笔记的清晰度以及所选的模型。 ## 未来改进 - Slack 或 Microsoft Teams 数据接入 - PagerDuty 集成 - Jira 事件工单创建 - 从已批准的 runbook 中进行检索 - 人工审批工作流 - 针对交接文档质量的反馈评分

标签：AI风险缓解, Kubernetes, SRE, Streamlit, 人工智能, 信息整理, 值班交接, 偏差过滤, 用户模式Hook绕过, 访问控制, 运维, 逆向工具