🤖 Multi-Agent AIOps — 多 Agent 智能运维系统

📖 这个项目是什么？

你是否遇到过这些问题：

• 运维团队每天被 200+ 条告警淹没，大部分是误报
• 服务出了问题，排查根因要花 40 分钟
• 凌晨 3 点被电话叫醒，半睡半醒地排查故障

本项目用 4 个 AI Agent 协作，自动完成从「告警检测」到「故障修复」的全流程，把 MTTR（平均修复时间）从 40 分钟降到 5 分钟。

告警来了
  ↓  Agent 1：这是真的异常吗？（时序分析，过滤误报）
  ↓  Agent 2：根因在哪里？（知识图谱推理）
  ↓  Agent 3：怎么修复？能自动执行吗？（安全护栏 + 分级策略）
  ↓  Agent 4：这个操作风险有多大？需要审批吗？（风险评分）
  ✅ 5 分钟内修复完成，全程自动

适用人群：准备腾讯/美团/字节/阿里 AIOps 方向面试的同学、想学多 Agent 系统设计的开发者、对智能运维感兴趣的 SRE 工程师

🎯 面试价值

AI Agent 工程师岗位需求同比增长 380%（2026年数据）

🏗️ 系统架构

整体架构图

┌──────────────────────────────────────────────────────────────┐
│                       数据采集层                              │
│   Prometheus（指标）  Loki（日志）  Jaeger（链路）  CMDB      │
└───────────────────────────┬──────────────────────────────────┘
                            │ 异常数据
                   ┌────────▼─────────┐
                   │  事件总线 Kafka   │  ← 解耦所有 Agent
                   │  aiops.alerts    │
                   │  aiops.events    │
                   │  aiops.commands  │
                   └────────┬─────────┘
                            │
┌───────────────────────────▼──────────────────────────────────┐
│                   Agent 编排器 Orchestrator                    │
│                  （状态机 · 条件路由 · 检查点恢复）              │
│                                                              │
│  ┌───────────┐  ┌───────────┐  ┌───────────┐  ┌──────────┐  │
│  │ 监控告警   │→ │ 根因分析   │→ │ 故障自愈   │→ │ 变更审批  │  │
│  │  Agent   │  │  Agent   │  │  Agent   │  │  Agent  │  │
│  │           │  │           │  │           │  │          │  │
│  │3-Sigma    │  │知识图谱   │  │Playbook   │  │风险评分  │  │
│  │EWMA       │  │BFS遍历   │  │dry-run    │  │L0/L1/L2  │  │
│  │IsoForest  │  │贝叶斯推理 │  │熔断器     │  │审计日志  │  │
│  └───────────┘  └───────────┘  └───────────┘  └──────────┘  │
└───────────────────────────┬──────────────────────────────────┘
                            │
┌───────────────────────────▼──────────────────────────────────┐
│                         知识层                                │
│      Neo4j 知识图谱    向量数据库 RAG    规则引擎              │
│   （服务拓扑 + 依赖关系 + 历史故障）                           │
└──────────────────────────────────────────────────────────────┘

一次故障的完整处理流程

1. Prometheus 检测到 order-service CPU 使用率 95%
2. 监控告警 Agent：多算法投票确认异常，生成告警事件
3. 根因分析 Agent：查知识图谱，发现 order-service 今天有新部署
                    贝叶斯推理：P(部署引起|CPU高) = 0.54
4. 故障自愈 Agent：匹配 rollback Playbook（L1级），dry-run 通过
5. 变更审批 Agent：风险评分 0.16，oncall 自动审批
6. 执行回滚，5 分钟内恢复正常 ✅

🚀 快速开始（5 分钟跑起来）

方式一：最简运行（零外部依赖，推荐小白）

# 克隆项目
git clone https://github.com/bcefghj/multi-agent-aiops.git
cd multi-agent-aiops/python

# 安装依赖（只装必要的，不需要 Kafka/Neo4j）
pip install fastapi uvicorn pydantic pydantic-settings numpy scikit-learn structlog

# 启动服务
python -m uvicorn api.main:app --reload --port 8000

浏览器打开 → **http://localhost:8000/docs**，你会看到完整的 API 文档界面

方式二：完整运行（含 Kafka + Neo4j + Grafana）

cd python

# 一键启动所有基础设施
docker-compose up -d

# 等待约 30 秒服务就绪，然后启动主服务
pip install -r requirements.txt
python -m uvicorn api.main:app --reload --port 8000

各组件地址：

• API 文档: http://localhost:8000/docs
• Neo4j 浏览器: http://localhost:7474 （账号 neo4j / aiops_password）
• Prometheus: http://localhost:9090
• Grafana: http://localhost:3000 （账号 admin / aiops_admin）

方式三：一键 Demo 演示

cd python
python -c "import asyncio; from core.orchestrator import run_demo; asyncio.run(run_demo())"

输出示例：

============================================================
  故障处理结果
============================================================
  事件 ID:    a8f3c2d1-...
  状态:       resolved

  [告警]
    名称:     high_cpu_usage
    严重度:   high
    服务:     order-service
    指标值:   95.3

  [根因分析]
    根因:     近期代码部署引入性能退化
    置信度:   0.54
    影响链:   order-service → payment-service → mysql-primary
    建议动作: rollback, profiling

  [自愈]
    操作:     rollback
    级别:     L1（需 oncall 确认）
    爆炸半径: 0.15
    Dry-run:  DRY-RUN OK: kubectl rollout undo deployment/order-service

  [审批]
    状态:     approved
    风险分:   0.158
    审批人:   oncall-engineer
    原因:     L1 approved: risk=0.158

  [工作流节点状态]
    monitor      → completed
    rca          → completed
    heal         → completed
    change       → completed
============================================================

📁 项目结构详解

multi-agent-aiops/
│
├── 📄 README.md                     ← 你现在看的这个文件
│
├── 🐍 python/                       ← Python 实现（推荐先看这个）
│   ├── agents/
│   │   ├── base_agent.py            ← Agent 抽象基类（模板方法模式）
│   │   ├── monitor_agent.py         ← 监控告警 Agent
│   │   ├── rca_agent.py             ← 根因分析 Agent
│   │   ├── heal_agent.py            ← 故障自愈 Agent
│   │   └── change_agent.py          ← 变更审批 Agent
│   ├── core/
│   │   ├── orchestrator.py          ← Agent 编排器（状态机）⭐ 最核心
│   │   ├── event_bus.py             ← 事件总线（Kafka + 内存双模）⭐
│   │   └── knowledge_graph.py       ← 知识图谱（Neo4j + 内存双模）⭐
│   ├── models/
│   │   ├── events.py                ← 所有事件的数据模型
│   │   └── time_series.py           ← 时序异常检测算法
│   ├── api/
│   │   └── main.py                  ← FastAPI 接口入口
│   ├── config/
│   │   └── settings.py              ← 全局配置
│   ├── docker-compose.yml           ← 一键启动基础设施
│   └── requirements.txt             ← Python 依赖
│
├── ☕ java/                          ← Java 实现（Spring Boot 3）
│   ├── src/main/java/com/aiops/
│   │   ├── agent/                   ← 4 个 Agent 实现
│   │   ├── core/                    ← 编排器 + REST Controller
│   │   └── model/                   ← 数据模型
│   ├── pom.xml                      ← Maven 依赖
│   └── src/main/resources/
│       └── application.yml          ← Spring 配置
│
├── 🐹 golang/                       ← Go 实现（Gin + goroutine）
│   ├── cmd/server/main.go           ← 程序入口
│   ├── internal/
│   │   ├── agent/                   ← 4 个 Agent 实现
│   │   ├── core/                    ← 编排器
│   │   └── model/                   ← 数据模型
│   └── go.mod                       ← Go 依赖
│
└── 📚 docs/                         ← 文档（面试必看）
    ├── architecture.md              ← 架构设计文档
    ├── project-plan.md              ← 项目规划
    ├── interview/                   ← 🎯 面试材料
    │   ├── resume-template.md       ← 简历模板（3 个版本）
    │   ├── star-method.md           ← STAR 话术（含追问应对）
    │   ├── baguwen.md               ← 八股文 25 道
    │   └── interview-qa.md          ← 面试 Q&A 80+ 道
    └── tutorial/                   ← 📖 从 0 到部署教程
        ├── 01-getting-started.md    ← 入门：理解项目结构
        ├── 02-event-driven.md       ← 事件驱动架构详解
        ├── 03-agent-design.md       ← Agent 设计模式
        ├── 04-knowledge-graph.md    ← 知识图谱详解
        └── 05-deploy.md             ← 生产部署指南

🔌 API 接口说明

启动后访问 http://localhost:8000/docs 查看完整文档，核心接口：

触发故障处理流程

# 使用 Demo 数据（模拟 CPU 告警）
curl -X POST http://localhost:8000/api/v1/incidents/trigger

# 传入自定义指标数据
curl -X POST http://localhost:8000/api/v1/incidents/trigger \
  -H "Content-Type: application/json" \
  -d '{
    "metric_name": "cpu_usage_percent",
    "metric_value": 95.3,
    "target_service": "order-service"
  }'

查看服务拓扑

# 查看全部拓扑
curl http://localhost:8000/api/v1/topology

# 查看某服务的依赖链
curl http://localhost:8000/api/v1/topology/order-service/dependencies

返回示例：

{
  "service": "order-service",
  "direct_dependencies": ["payment-service", "inventory-service", "user-service"],
  "depended_by": ["api-gateway"],
  "impact_score": 0.091,
  "dependency_paths": [
    ["order-service", "payment-service", "mysql-primary"],
    ["order-service", "inventory-service", "elasticsearch"]
  ]
}

运行异常检测 Demo

curl http://localhost:8000/api/v1/anomaly/demo

返回示例：

{
  "total_points": 200,
  "anomalies_detected": 3,
  "anomalies": [
    {"index": 150, "value": 82.45, "score": 4.21, "actual_anomaly": true},
    {"index": 170, "value": 19.83, "score": 3.87, "actual_anomaly": true}
  ]
}

💡 核心技术亮点

1. 时序异常检测 — 多算法投票

# 三种算法同时检测，至少 2 种认为异常才报警（减少误报）
3-Sigma    → 检测突变（CPU 突然飙高）
EWMA       → 检测趋势（CPU 缓慢上涨）
Isolation Forest → 检测多维异常（多个指标同时异常）

投票结果：2/3 投票 = 报警  →  误报率降低 85%

📖 算法详解：docs/tutorial/03-agent-design.md

2. 知识图谱根因分析

# 服务拓扑（Neo4j 存储）
order-service
  ├── depends on → payment-service → mysql-primary
  ├── depends on → inventory-service（有近期变更！）
  └── depends on → user-service

# 贝叶斯推理
P(部署引起|CPU高) = P(CPU高|部署引起) × P(部署引起) / P(CPU高)
                  = 0.9 × 0.3 / 0.5 = 0.54 ← 54% 置信度

📖 知识图谱详解：docs/tutorial/04-knowledge-graph.md

3. 分级自愈 + 安全护栏

L0（全自动）：重启 Pod、扩容、限流  ← 爆炸半径 < 5%，直接执行
L1（半自动）：回滚版本、改配置      ← 需要 oncall 确认
L2（人工介入）：数据库操作、全量回滚 ← 需要 TL 审批

安全护栏链：
dry-run 模拟 → 爆炸半径 < 20%？→ 熔断器开着？→ 审批通过？→ 执行

📖 Agent 设计详解：docs/tutorial/03-agent-design.md

4. 事件驱动架构

# Kafka Topic 设计
aiops.alerts    ← MonitorAgent 发布告警
aiops.events    ← RCAAgent 发布分析结果
aiops.commands  ← HealAgent 发布修复命令
aiops.audit     ← ChangeAgent 发布审批记录
*.dlq           ← 死信队列（消费失败的消息）

# 双模支持：本地开发用内存队列，生产用 Kafka
event_bus = create_event_bus(use_kafka=False)  # 本地开发
event_bus = create_event_bus(use_kafka=True)   # 生产环境

📖 事件驱动详解：docs/tutorial/02-event-driven.md

🌐 三语言实现对比

选哪个版本？

• 准备 AI/大模型/Python 岗：看 python/ 目录
• 准备 Java 后端岗：看 java/ 目录
• 准备 Go/云原生/SRE 岗：看 golang/ 目录

🎓 面试准备材料（全套）

八股文核心考点预览

STAR 话术预览

📚 从零开始学习路径

推荐按以下顺序学习：

第 1 天：理解架构
  ├── 读 README（本文件）
  └── 读 docs/tutorial/01-getting-started.md

第 2 天：跑起来
  ├── 按快速开始运行 Python 版
  └── 用 curl 测试各接口，观察输出

第 3 天：看核心代码
  ├── python/models/events.py     ← 理解数据流
  ├── python/core/orchestrator.py ← 理解编排逻辑
  └── python/agents/rca_agent.py  ← 最复杂的 Agent

第 4 天：理解技术原理
  ├── docs/tutorial/02-event-driven.md
  ├── docs/tutorial/03-agent-design.md
  └── docs/tutorial/04-knowledge-graph.md

第 5-7 天：面试准备
  ├── docs/interview/baguwen.md   ← 八股文
  ├── docs/interview/star-method.md  ← 话术
  └── docs/interview/interview-qa.md ← Q&A

⚙️ 技术栈全览

🤝 参考的企业级开源项目

本项目设计时参考了以下真实的企业级项目：

📄 License

MIT License — 可自由用于学习、修改和面试展示