dark5un/sre-watchtower

# SRE Watchtower 一个由 agent 驱动的、用于 CI pipeline 和生产环境告警的事件响应系统。 ## 方法论 Watchtower 运行一个四阶段的循环：**监控、确认、调查、报告**。 当 pipeline 失败时，responder 工作流会创建一个带有失败上下文的 GitHub Issue。本地 agent（运行在你的机器上）会轮询处于开启状态的 issue，分析日志，并撰写一份结构化的调查报告。该 issue 是唯一的真实数据源。 ## 架构 ``` Pipeline fails → Responder workflow creates a GitHub Issue (sre-watchtower label) → Local agent polls for open issues → Agent acknowledges, investigates, reports → Issue is the record of the incident ``` responder 工作流运行在 GitHub Actions 上。它不调用任何 LLM，也不需要任何 API key。它只负责创建 issue。 agent 运行在你的本地机器上。LLM 的 API key 仅存在于你的本地环境中，永远不会出现在代码仓库中。 ## 快速开始 ``` # 安装 uv sync # 设置 export GITHUB_TOKEN="ghp_..." export WATCHTOWER_CONFIG=".sre/manifest.yaml" # 运行一次 uv run python -m watchtower.cli # 或者作为一个 cron job (每 5 分钟) echo "*/5 * * * * cd /path/to/sre-watchtower && uv run python -m watchtower.cli" | crontab - ``` ## 配置 编辑 `.sre/manifest.yaml`： ``` version: 1 repos: - owner: dark5un name: local-cloud branch: main ci_watcher: enabled: true interval: "*/5 * * * *" acknowledge: session max_actions: - report # agent can only report, not act ``` ## 测试 ``` uv run pytest tests/ -v ``` ## 本地测试 ``` ./scripts/test-local.sh ``` 这将创建一个模拟的 issue，以 dry-run 模式运行 agent，并验证输出结果。 ## 项目结构 ``` src/watchtower/ models.py # Data models: Issue, Manifest, WorkflowRun github_client.py # GitHub API client investigator.py # Log analysis (LLM + fallback) agent.py # Orchestration loop cli.py # CLI entry point tests/ # Unit tests with mocks .github/workflows/ responder.yml # Creates issue on pipeline failure flaky-test.yml # Deliberately flaky workflow for testing ci.yml # Runs the test suite ```

标签：AI智能体, BurpSuite集成, C2, SRE, 偏差过滤, 自动化运维, 逆向工具