Harsha-636/incident-response-agent
GitHub: Harsha-636/incident-response-agent
基于 Groq LLM 和 Streamlit 构建的智能事件响应 Agent，通过哈希缓存机制大幅降低重复日志分析成本。
Stars: 0 | Forks: 0
# 🛡️ 智能事件响应 AI Agent
[](https://python.org)
[](https://streamlit.io)
[](https://groq.com)
## ✨ 功能
- 🔍 **AI 事件分析** — 粘贴原始日志，获取严重程度、根本原因、建议操作
- 🧠 **CascadeFlow 内存路由** — 重复的事件模式直接从基于本地哈希的缓存中提供，而无需重新调用 LLM，将每个重复事件的成本降低约 97%
- 💰 **实时预算跟踪** — 带有实时消耗条的月度预算上限
- 📊 **实时仪表盘** — 总分析数、后见之明命中数、节省预算、平均延迟
- 📈 **成本节约图表** — 随时间可视化的累计节省
- 🔀 **路由比例图表** — 内存与 LLM 调用的分布情况
- 📜 **事件历史** — 包含过去事件的完整可搜索表格
- 🔐 **审计追踪** — 记录每个路由决策的时间戳与成本
## 🧠 CascadeFlow 工作原理
1. 每个传入的事件日志都会被标准化并哈希化为一个内存键。
2. 如果之前出现过完全相同的模式，则会在几毫秒内以近乎零的成本返回缓存的分析结果（**Hindsight Memory 命中**）。
3. 如果是新模式，则会执行完整的 LLM 调用，并将结果缓存以备下次使用。
4. 随着时间的推移，重复出现的事件类型（例如“支付网关超时”）几乎可以免费获得处理。
## 🛠️ 技术栈
- **语言：** Python 3.11+
- **前端：** Streamlit
- **AI：** Groq API (Llama 3.3 70B Versatile)
- **缓存：** 基于 SHA-256 哈希的内存存储 (CascadeFlow 模式)
- **数据：** 使用 Pandas 处理图表和历史记录表
## 🚀 快速开始
```
git clone https://github.com/Harsha-636/incident-response-agent.git
cd incident-response-agent
pip install -r requirements.txt
streamlit run app.py
```
获取免费的 Groq API 密钥：**console.groq.com/keys**
## ☁️ 在 Streamlit Cloud 上部署
1. 推送到 GitHub（包含隐藏的 `.streamlit` 文件夹）
2. 前往 **share.streamlit.io**
3. New app → 选择仓库 → 主文件：`app.py`
4. Deploy!
## 👨💻 作者
**Sai Harsha Vardhan Reddy Avula** — 海得拉巴 KMCE 计算机科学与工程 (CSE) B.Tech (2027)
[](https://linkedin.com/in/harsha-avula)
[](https://github.com/Harsha-636)
标签：DLL 劫持, Kubernetes, Streamlit, Sysdig, 大语言模型, 安全运营, 库, 应急响应, 成本控制, 扫描框架, 访问控制, 逆向工具