编程 OpsAgent：Go 写的多云运维 multi-agent，靠四条链路压 MTTR

2026-09-12 09:13:43

OpsAgent：用 Claude Agent SDK 做多云故障根因分析

项目地址：https://github.com/Havens-blog/OpsAgent

项目是什么

OpsAgent 是一个面向多云环境的运维智能体系统，用 AI 自动完成故障根因分析（RCA）、告警响应和变更关联分析，帮 SRE 团队快速定位和解决生产问题。

生产故障发生时，证据往往散落在各处：日志服务（SLS、ELK）、监控指标（Prometheus、CloudWatch）、链路追踪（ARMS、Jaeger）、变更记录（CI/CD、K8s Events）以及运维知识库（Runbook、Wiki）。传统工具要求人工跨平台查询、关联、分析，MTTR（平均恢复时间）往往超过 1 小时。

OpsAgent 用四种方式缩短 MTTR：

告警驱动：自动响应 Prometheus Alertmanager、钉钉、企业微信告警
多源关联：把日志、指标、Trace、拓扑、变更事件做时序对齐
智能推理：基于 LLM 生成假设并给出置信度评分
安全防护：通过执行分层与审批机制控制副作用

核心功能

根因分析引擎（RCA）

假设生成：基于异常数据生成可能的根因假设
关联分析：跨日志、指标、Trace 做时序对齐与趋势相关性分析
拓扑感知：基于服务依赖图做上 / 下游传播分析
变更关联：自动关联 CI/CD 部署、配置变更、证书过期等变更事件
置信度评分：按时间窗口 50%、拓扑 30%、周期性 10%、人工 Hint 10% 多维加权

数据源集成

日志：阿里云 SLS、Elasticsearch
指标：Prometheus、阿里云 CloudWatch
链路：阿里云 ARMS、Jaeger
变更：Kubernetes Events、GitLab CI
拓扑：阿里云 ARMS Service Graph

安全防护

执行分 ReadOnly、ReadValidate、WriteExecute 三级权限；高风险操作需要人工确认；白名单限制可执行命令，控制副作用。

告警接入

支持 Prometheus Alertmanager Webhook、钉钉机器人回调、企业微信应用推送以及通用 HTTP Webhook。

技术栈

核心语言为 Go 1.24+，推理层基于 Claude Agent SDK（LLM Provider）；可观测与数据侧对接 Prometheus、阿里云 SLS / ARMS / CloudWatch、Elasticsearch、Jaeger、Kubernetes、GitLab CI；告警侧接入钉钉与 企业微信；本地测试可用 Docker / docker-compose。

架构设计

整体是「告警 / 控制台触发 → 总控调度 → 根因分析 → 数据汇聚 → 安全护栏」的流水线：

Coordinator Agent 负责任务调度、证据汇总与结论输出，接收 Alert Gateway 的 Webhook 与 CLI / Web Console 的入口。
RCA Engine 内含 Hypothesis Generator、Correlation Analyzer、Timeline Analyzer、Confidence Scorer 四个子模块，并调用 LLM Provider（Claude）做推理。
Data Sources Layer 统一封装 Logs、Metrics、Trace、Topology、Change 五类数据源。
Guardrails & Observability 全程包裹执行层，提供 Execution Tier、Approval、Audit Log。

Multi-Agent 协作下，Coordinator 总控分发，LogAnalyst 负责日志模式识别，Monitor 做指标异常检测，Inspector 负责变更事件关联与拓扑传播分析。

快速开始

前置要求：Go 1.24+，可选 Docker 用于本地测试。

git clone https://github.com/Havens-blog/OpsAgent.git
cd OpsAgent
make install
cp config/datasources.yaml.example config/datasources.yaml
# 编辑 config/datasources.yaml 填入你的数据源凭证
make run

也支持容器化部署：docker-compose up -d。

适用场景

SRE / 运维团队做告警自动响应与故障根因定位
多云 / 混合云环境下统一可观测与跨源根因分析
需要把变更事件与故障时间窗关联、对高风险操作做审批约束的团队
已建设 Prometheus / SLS / ARMS 等数据源、希望叠加 AI 推理能力的组织

复制全文生成海报 Go 运维 AI Agent SRE 多云