AIOps 项目做了一个 SRE 实验排障 AI Agent

一句话定位
项目代号 SRE Lab Doctor，仓库 andersthorvald/sre-lab-doctor，tag v0.1.0（2026-07-02），8/8 主功能完成。已开源，Apache 2.0。

把学员的实验问题贴进来，AI 按主机拆分给出排障步骤、修复建议、验证命令和复盘笔记。严格只诊断不执行命令——所有命令由学员手动复制粘贴，避免 v0.1 出安全问题。

为什么做这个
我在做 SRE 课程实验的过程中，反复踩同一批坑：

防火墙没放行：服务配完发现 80 端口被拦
BIND9 配 listen-on { 127.0.0.1; };：slave 当然连不上 master
Docker 容器内 curl 127.0.0.1：是容器自己，不是宿主机
自定义 NAT 网段宿主机没路由：ping 都 ping 不通
每次都当场查、查完忘、下次再踩一遍。

把这些坑整理成知识库，让 AI 帮我按「踩过的坑」针对性诊断——这是最初的动机。

顺便选了 fork 自 NightMend（Apache 2.0）的开源 AIOps 平台做底座——账号、权限、审计、夜莺原生告警这些基础设施都现成，省得从零造。

明确不做的：不是通用 ChatGPT 替代品、不会自动 SSH 到学员机器、不会自动改配置文件。走 Diagnosis-only Mode。

架构 + 关键代码
诊断流程：

[学员填 7 字段表单] → 基础清洗 → 知识库匹配（top-2）
↓
Markdown 输出 ← 17 条高危命令检测 ← Markdown 渲染
↑
LLM 调用（MiniMax-M2.7，30–50 秒） ← Prompt 构造
技术栈：NightMend（fork 自上游） + FastAPI + Python 3.11 + React + Ant Design + PostgreSQL + Redis + MiniMax-M2.7 + Docker Compose（5 容器）。

知识库匹配简化版：

def match_knowledge(lab_type, error_text):
“”“按 lab_type + 关键词给 10 个内置案例打分，取 top-2"”"
candidates = [c for c in ALL_CASES if c.lab_type == lab_type]
if error_text:
keywords = extract_keywords(error_text)
for c in candidates:
c.score = sum(1 for kw in keywords if kw in c.tags)
return sorted(candidates, key=lambda x: x.score, reverse=True)[:2]
三个有意思的坑
坑 1：双场景 Prompt 的形式错位
prompt 写死「按 7 节排障模板输出」，学员输「DNS 服务器是什么」这种概念性问题，LLM 强行套模板输出「## 1. 当前现象总结」，内容是维基百科腔的科普文——形式错位。

改成「先判断场景再选模板」：故障场景含「报错 / 失败 / refused / timeout / denied」等关键词走排障模板，其他走知识模板。

本质：prompt 是给模型的合同，合同对不上场景就乱套。

坑 2：Reasoning 思考块 + 三层超时
MiniMax-M2.7 是 reasoning 模型，输出里有 思考块，占最终输出长度的 40%。加 _strip_thinking() 剥离。

复杂 prompt 要 30–50 秒，链路里默认有三个超时，都要动：

层 默认 调到
httpx 45s 180s
nginx proxy_read_timeout 60s 180s
前端 axios 15s 用 aiApi（60s）
坑 3：17 条高危命令「帮倒忙」
最初想「检测到危险命令直接替换成 [已过滤]」——结果帮倒忙：学员照着敲命令出来发现字段没了、不知道哪步被吃了、LLM 还会换个写法重新塞进去。

改成「只警告不阻挡」：命中后追加「🚨 高危命令警告」块，命令原文保留，学员知情决策。

17 条覆盖：rm -rf /、mkfs、dd if=… of=/dev/sdX、iptables -F、nft flush ruleset、systemctl stop sshd|network|firewalld、chmod -R 777 /、chown -R、curl … | sh、wget … | bash、kill -9 1、shutdown、reboot、setenforce 0 等。

v0.1 数据
维度 数据
v0.1 主功能 8 / 8 完成
回归测试场景 5 / 5（100% 通过）
内置知识库案例 10 个（Nginx×2 / DNS×2 / iptables×2 / SSH×2 / rsync×1 / Docker×1）
高危命令正则 17 条
LLM 平均响应 30–50 秒
🔴 Diagnosis-only 三条红线：不 SSH、不 systemd、不存凭据。