saiabhi26/ai-incident-response-agent

# 🚨 AI 事件响应 Agent 一个生产就绪的 AI Agent，它通过使用 **LangGraph orchestration + Retrieval Augmented Generation (RAG)** 分析服务日志和操作手册文档，帮助工程团队调查和响应生产事件。 ## 🌟 为什么会有这个项目 在事件发生期间，工程师需要花费大量宝贵的时间搜索日志、仪表板和操作手册，以了解出了什么问题。 该系统充当**事件响应的 AI 副驾驶**，帮助减少诊断时间并提高故障排除的准确性。 该 Agent 可以： • 分析服务日志和错误跟踪 • 检索相关的操作手册文档 • 建议可能的根本原因 • 推荐后续的调试步骤 • 跨会话保留对话记忆 ## 🏗️ 架构概述 高级工作流程： 用户查询或日志 ➡️ LangGraph orchestration ➡️ RAG pipeline 从 pgvector 检索相关的日志和操作手册 ➡️ 带有工具和记忆的 LLM 推理 ➡️ 结构化的事件响应 核心技术栈： • **FastAPI** 用于异步 API 后端 • **LangGraph** 用于 Agent orchestration • **PostgreSQL + pgvector** 用于向量搜索 • **OpenAI models** 用于推理和 embeddings • **Prometheus + Grafana** 用于监控 • **Docker** 用于容器化 • **AWS ready deployment** ## 🤖 核心功能 ### 🔎 事件调查 Agent • 上传日志或粘贴事件详情 • 跨操作手册和历史事件进行语义搜索 • 根本原因分析建议 • 推荐的调试步骤 • 每个用户的对话记忆 ### 🧠 Retrieval Augmented Generation Pipeline 该项目使用完整的 RAG pipeline 将响应建立在实际的工程知识之上。 • 日志摄取和分块 pipeline • 针对操作手册的文档摄取 pipeline • 使用 OpenAI models 生成 embeddings • 使用 PostgreSQL + pgvector 进行向量相似度搜索 • 将上下文注入 LLM prompts 以实现有根据的推理 ### ⚙️ 生产级后端 • FastAPI 异步 REST API • JWT 身份验证和会话管理 • 速率限制和输入验证 • 带有请求上下文的结构化日志记录 • 支持流式响应 ### 📊 可观测性与评估 • Prometheus 指标 + Grafana 仪表板 • Langfuse LLM tracing • 自动化评估框架 • 包含成功指标的 JSON 报告 ### ⚡ 性能与可靠性 • Docker + Docker Compose 设置 • Redis 缓存支持 • LLM 调用的自动重试逻辑 • 异步数据库连接池 ## 💡 典型用例 示例查询： • “这是来自支付服务的日志。为什么 checkout 会失败？” • “我们看到反复出现 503 错误。可能出了什么问题？” • “总结此事件并建议后续步骤。” 该 Agent 会检索相关的操作手册部分，并生成结构化的故障排除指南。 ## 📂 项目结构 ``` app/ ├── api/ # REST API endpoints (auth + chat) ├── core/langgraph/ # LangGraph agent workflow & tools ├── services/ │ ├── database.py # PostgreSQL + pgvector integration │ └── llm.py # LLM + embedding service ├── prompts/ # System prompts & RAG instructions scripts/ # Log + runbook ingestion pipeline (RAG indexing) evals/ # Evaluation framework for agent accuracy prometheus/ # Metrics configuration grafana/ # Monitoring dashboards ``` ## 🚀 入门指南 ### 前置条件 • Python 3.13 • PostgreSQL • Docker + Docker Compose • OpenAI API Key ### 🔧 本地设置 Clone 该仓库 ``` git clone https://github.com/saiabhi26/ai-incident-response-agent.git cd ai-incident-response-agent ``` 安装依赖项 ``` uv sync ``` 创建环境变量文件 ``` cp env.example env.development ``` 添加所需的变量 ``` OPENAI_API_KEY=your_key POSTGRES_HOST=localhost POSTGRES_DB=incident_agent SECRET_KEY=your_secret ``` 本地运行 ``` make dev ``` Swagger 文档访问地址 http://localhost:8000/docs ## 🐳 使用 Docker 运行 ``` make docker-build-env ENV=development make docker-run-env ENV=development ``` 监控仪表板 Prometheus → http://localhost:9090 Grafana → http://localhost:3000 ## 🧪 评估 运行自动化评估 ``` make eval-quick ENV=development ``` 生成的报告位于： ``` evals/reports/ ``` 指标包括成功率和响应质量。 ## 🔮 未来改进 • 云日志摄取集成 • Slack 和电子邮件告警支持 • 更大的评估数据集 • 高级多步 Agent workflows ## 🙌 鸣谢 使用生产级的 FastAPI + LangGraph 模板构建，并扩展了真实世界的事件响应用例。

标签：AI助手, AV绕过, FastAPI, LangGraph, LLMOps, RAG, 搜索引擎查询, 智能运维, 测试用例, 自定义请求头, 请求拦截, 逆向工具