nithinsana-6/opspilot-ai

# OpsPilot AI 面向 DevOps 和 SRE 团队的 AI 辅助事件分类与 runbook 检索工作台。 在线演示：[opspilot-ai-elkcx4q97w5a9sebdkskg4.streamlit.app](https://opspilot-ai-elkcx4q97w5a9sebdkskg4.streamlit.app) OpsPilot AI 会分析告警、日志、部署事件和 runbook，生成包含严重程度、可能的根本原因、证据和建议的后续操作的发布/事件就绪报告。首个版本是确定性的且离线运行的，因此招聘人员和 CI 系统无需 API key 即可运行。 ## 为什么要有这个项目 生产环境的事件通常不是受限于缺少仪表盘，而是受限于缓慢的上下文收集：哪个服务发生了更改、触发了哪些告警、哪些日志是关键的、适用于哪个 runbook 以及什么操作是安全的。OpsPilot AI 展示了 AI 辅助运维如何缩短调查时间，同时确保每一条建议都有据可查。 ## 功能 - 按 service 和时间窗口关联告警、日志和部署事件 - 使用告警优先级、错误量、部署新近度和信号多样性对事件严重程度进行评分 - 生成带有置信度和证据引用的根本原因假设 - 使用感知 service 的词法排序检索相关的 runbook - 生成 Markdown 和 JSON 事件报告 - 包含 Streamlit 演示、CLI、测试、Dockerfile、GitHub Actions CI、示例数据和架构文档 ## 快速开始 ``` python -m opspilot_ai.cli analyze data/sample_incident --format markdown ``` 写入 JSON 输出： ``` python -m opspilot_ai.cli analyze data/sample_incident --format json --out incident_report.json ``` 运行测试： ``` python -m unittest discover tests ``` 运行 Streamlit 演示： ``` pip install -r requirements-streamlit.txt streamlit run streamlit_app.py ``` ## 招聘人员演示流程 1. 加载示例事件。 2. 展示告警、日志和部署事件是如何关联的。 3. 解释根本原因假设和证据链。 4. 打开检索到的 runbook 以及建议的回滚/验证步骤。 5. 展示测试、CI、Dockerfile 和文档，以证明该项目具备生产级思维。 ## 技术栈 Python、确定性检索、事件评分、证据排序、Streamlit、Docker、GitHub Actions、JSON/Markdown 报告。 ## 部署 请参阅 `docs/DEPLOY_STREAMLIT.md`。推荐的 Streamlit Cloud 主文件是 `streamlit_app.py`。Streamlit 已包含在根目录的 `requirements.txt` 中，以便 Streamlit Cloud 可以自动安装该应用。 ## 简历要点 构建了 OpsPilot AI，这是一个 AI 辅助的 SRE 事件分类与 runbook 检索工作台，它将告警、日志、部署和 runbook 关联起来，以生成严重程度评分、根本原因假设、有据可查的建议以及 Markdown/JSON 事件报告。

标签：AIOps, FOFA, incident triage, Kubernetes, Python, Streamlit, 无后门, 根因分析, 访问控制, 请求拦截, 运维, 逆向工具