# multi-agent-aiops
**Repository Path**: hacker__007/multi-agent-aiops
## Basic Information
- **Project Name**: multi-agent-aiops
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-30
- **Last Updated**: 2026-05-30
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
# 🤖 Multi-Agent AIOps — 多 Agent 智能运维系统
**企业级多 Agent 智能运维平台 | Python · Java · Go 三语言实现**
**面向大厂面试的完整项目：代码 + 架构文档 + 八股文 + 简历模板 + STAR 话术**
[](python/)
[](java/)
[](golang/)
[](LICENSE)
---
## 📖 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
| 方向 | 对应招聘岗位 | 薪资范围 |
|------|------------|---------|
| Python + LLM Agent | 腾讯 AI Agent 开发工程师 | 30-60k · 15薪 |
| Java 后端 | 美团/阿里 智能运维平台后端 | 25-50k · 16薪 |
| Go 云原生 | 字节/腾讯 SRE/运维平台 | 25-45k · 15薪 |
> 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）
```bash
# 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）
```bash
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
```bash
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
```bash
# 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
```bash
# 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：
```json
{
"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
```bash
curl http://localhost:8000/api/v1/anomaly/demo
```
返回示例：
```json
{
"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
```python
# 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](docs/tutorial/03-agent-design.md)
### 2. 知识图谱根因分析
```python
# 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](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](docs/tutorial/03-agent-design.md)
### 4. 事件驱动架构
```python
# 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](docs/tutorial/02-event-driven.md)
---
## 🌐 三语言实现对比
| 特性 | 🐍 Python | ☕ Java | 🐹 Go |
|------|-----------|---------|-------|
| Agent 抽象 | `ABC` 抽象基类 | `abstract class` | `interface` 隐式实现 |
| 异步模型 | `asyncio` 协程 | `CompletableFuture` | `goroutine + channel` |
| 类型安全 | 弱（运行时） | 强（编译时） | 强（编译时） |
| 并发模型 | 单线程事件循环 | 线程池 | M:N goroutine 调度 |
| 适用场景 | AI/ML 密集 | 企业后端 | 云原生/运维平台 |
| 部署体积 | ~200MB | ~150MB（含JRE） | ~15MB（静态链接） |
| 启动时间 | 2-3s | 5-10s | < 0.5s |
**选哪个版本？**
- 准备 **AI/大模型/Python 岗**：看 [python/](python/) 目录
- 准备 **Java 后端岗**：看 [java/](java/) 目录
- 准备 **Go/云原生/SRE 岗**：看 [golang/](golang/) 目录
---
## 🎓 面试准备材料（全套）
| 材料 | 内容 | 链接 |
|------|------|------|
| 简历模板 | Python/Java/Go 三套，含量化数据 | [resume-template.md](docs/interview/resume-template.md) |
| STAR 话术 | 1分钟版 + 3分钟版 + 追问应对 | [star-method.md](docs/interview/star-method.md) |
| 八股文 | 25 道核心考点，含标准答案 | [baguwen.md](docs/interview/baguwen.md) |
| 面试 Q&A | 80+ 道高频问题 + 回答思路 | [interview-qa.md](docs/interview/interview-qa.md) |
| 架构文档 | 系统设计 + 技术选型决策 | [architecture.md](docs/architecture.md) |
### 八股文核心考点预览
📋 点击展开 — 25 道核心八股文目录
**事件驱动架构（必考）**
- 事件驱动 vs RPC 的区别？
- 背压（Backpressure）怎么处理？
- 最终一致性怎么保证？
**Kafka（必考）**
- 如何保证消息不丢？（三个环节）
- 消费组的工作原理？
- Exactly-Once 语义怎么实现？
- 死信队列是什么？
**Agent 框架**
- Orchestrator vs Choreography 编排模式？
- LangGraph 的核心概念？
- ReAct 范式是什么？
**时序异常检测**
- 3-Sigma / EWMA / Isolation Forest 各自适用场景？
- 动态阈值 vs 静态阈值？
- 多算法投票机制的原理？
**知识图谱**
- 图数据库 vs 关系型数据库？
- BFS vs DFS 在根因分析中怎么选？
- 贝叶斯推理在根因分析中怎么用？
**安全与可靠性**
- 熔断器模式的三个状态？
- 爆炸半径怎么评估？
- dry-run 怎么实现？
**分布式系统（通用）**
- CAP 定理？
- Saga 模式？
**设计模式（Java 重点）**
- 项目用了哪些设计模式？（6 种）
**Go 特色**
- goroutine vs Java Thread？
- sync.Map vs map + Mutex？
### STAR 话术预览
💬 点击展开 — 1 分钟版面试话术
> "这是一个基于事件驱动的多 Agent AIOps 系统。
> 四个 Agent 分别负责告警检测、根因分析、故障自愈和变更审批，
> 通过 Kafka 事件总线异步协作。
> 技术亮点是用 Neo4j 知识图谱做根因推理，
> 多算法投票做异常检测，分级策略加安全护栏做自愈。
> 上线后 MTTR 降低 87%，告警误报减少 85%。"
详细版（3 分钟）和追问应对脚本见 → [star-method.md](docs/interview/star-method.md)
---
## 📚 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
| 层次 | 🐍 Python 版 | ☕ Java 版 | 🐹 Go 版 |
|------|-------------|-----------|---------|
| **Agent 框架** | LangGraph 状态机 | 自建状态机 + Spring | goroutine + channel |
| **API 层** | FastAPI + Pydantic | Spring Boot 3 | Gin |
| **事件总线** | confluent-kafka | Spring Cloud Stream | sarama |
| **知识图谱** | Neo4j + py2neo | Spring Data Neo4j | neo4j-go-driver |
| **时序分析** | Prophet + scikit-learn | Commons Math | gonum |
| **向量数据库** | ChromaDB（RAG） | — | — |
| **监控** | Prometheus Client | Micrometer | — |
| **容器化** | Docker Compose | Docker Compose | Docker Compose |
| **配置管理** | pydantic-settings | application.yml | 环境变量 |
---
## 🤝 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：
| 项目 | 公司/组织 | 技术特点 |
|------|---------|---------|
| [HolmesGPT](https://github.com/holmesgpt/holmesgpt) | CNCF Sandbox | Agentic Loop + 多数据源根因分析 |
| [Aurora](https://github.com/arvo-ai/aurora) | Arvo AI | LangGraph + Memgraph 知识图谱 |
| [Microsoft AIOpsLab](https://github.com/microsoft/AIOpsLab) | Microsoft | AIOps Agent 评测框架 |
| [Auto-Agent-K8s](https://github.com/supersaiyane/auto-agent-k8s) | 社区 | K8s 故障自动修复 |
| [Self-Healing SRE](https://github.com/jalpatel11/Self-Healing-SRE-Agent) | 社区 | LangGraph 自愈 SRE |
---
## 📄 License
MIT License — 可自由用于学习、修改和面试展示
---
**如果这个项目对你有帮助，欢迎 ⭐ Star 支持一下！**