一个看得懂系统、查得出根因、还能动手解决的AI Agent。 监控、远程执行、知识库、专家智能体、Bash、文件等各类技能——直接通过飞书、Slack、Telegram下达指令。
过去十年,运维工具堆得越来越高:Prometheus 看指标、Loki 翻日志、Grafana 画图、Jaeger 追链路、再加一堆告警群和值班表。但凌晨三点告警一响,工程师要做的事情还是老一套——在七八个面板之间来回跳,把碎片拼成一个"为什么"。
而Ongrid(https://github.com/ongridio/ongrid) 是完全AI Nitave的做法:让 AI Agent 替你跳面板、拼线索、写结论,把人从"采集者"变成"决策者"。而且——它完全开源、一行命令就能自托管,数据全程不出你自己的机房。
下面,跟着每一个模块,看看它到底能干什么。
一、入口:用一句话开始,而不是一堆面板
打开 Ongrid,迎接你的不是密密麻麻的图表,而是一句随机prompt例如:"需要我先做些什么?"
顶部一行就是集群的"体温":4/4 在线设备、6 未确认告警、本周会话数、今日 LLM token。下面是几个开箱即用的意图卡片——"找出资源最紧张的 3 台设备"、"看一台设备的实时负载"、"对比设备之间的网络流量"。
你不需要记 PromQL,不需要知道指标叫什么。想问什么,就打一句中文。 剩下的,交给 Agent。
二、Agent 助理:会自己编排工具的运维大脑
这是 Ongrid 的心脏。当你问"找出当前 CPU、内存或负载最紧张的 3 台设备,给出关键指标和判断依据"——
看它怎么干活:
- 并行拉取三个维度(CPU / 内存 / 负载)的排名;
- 发现
rank_edges返回空,自己判断"可能 scrape 数据尚未就绪",立刻改用query_promql直接从 Prometheus 取 top 3; - 注意到
device_id=1内存有波动(72% → 41%),主动追加查询去确认当前值,并拉核数做 load 基准、检查近期告警。
这不是一个"问一句答一句"的聊天机器人,而是一个会自己设计排查路径、遇阻会换路、看到异常会深挖的协调者(Coordinator)。它背后还能把任务分派给 SRE / 网络 / 数据库子专家。每一次工具调用都清清楚楚列在时间线里,可审计、可复盘。
三、仪表盘:集群态势一屏掌握
在线设备、过去 24h 平均 CPU / 内存、今日 LLM token、本周会话数——核心指标卡顶在最上面。下面是 24 小时集群趋势、集群在线态势(绿色心跳条一眼看出谁掉过线)、告警分级环图,以及"告警源 TOP 5"。
它既是给人看的总览,也是给 Agent 用的上下文。 当你发起一次诊断,Agent 看到的,和你看到的,是同一份实时态势。
四、设备纳管 + 浏览器 SSH:零入站端口,开箱即连
每台机器装一个轻量 edge agent,主动拨出到云端建隧道——主机上不需要开放 22 / 80 / 443 任何入站端口。列表里在线状态、最后心跳、版本一目了然。
最爽的是右边那颗"终端"按钮:
点一下,浏览器里直接弹出一个真实的 SSH 会话——root@VM-0-10-ubuntu,uptime、apt list 随便敲。没有跳板机、不用分发密钥、走反向隧道、全程审计。 在任何一台内网机器上拿到一个 shell,从此只要一次点击。
🔒 技术解密:零端口暴露怎么做到的?
传统方案是"云端来连主机",每台机器都得开端口、放行入站——每开一个口,就多一个被攻击的面。Ongrid 反过来:主机上的 edge 只做一件事——主动向云端拨出一条加密连接,就像浏览器访问网站一样。之后所有命令、SSH、文件传输,全都在这条主机自己发起的隧道里反向流动。
结果就是:主机零监听端口、防火墙入站规则可以全关,22 / 80 / 443 一个都不用开。攻击面从"每台机器一堆开放端口",收敛成"一条出站连接"。
五、监控:内置可观测全家桶,Agent 自己写查询
Prometheus + Grafana 已经接好。全集群 CPU / 内存 / 磁盘 / 网络吞吐、按物理设备拆分、Top 8 进程 CPU / 内存——这些面板出厂即用。需要深度分析或自定义?一键跳 Grafana。
关键在于:这些 PromQL 不需要你写。 面板标题上挂着的就是真实查询语句,而当 Agent 排查时,它会自己拼出 topk(8, ...)、rate(node_network_receive_bytes_total{...}) 这样的表达式去取数。可观测栈是它的"眼睛",不是你的负担。
六、日志:LogQL 直查 Loki,一行就是一条线索
按角色、设备、文件 / unit、时间范围筛选,或者直接写 LogQL。还有"最近错误 / OOM / 服务重启 / ssh 失败"这样的快捷标签,一键命中常见故障模式。支持实时跟随(tail)、关键词包含 / 排除、行内查找。同样地——Agent 也能查日志。 一次根因分析里,它会把指标的异常窗口和日志里的关键…