使用说明
🤖 SRE代理平台
生产级多智能体SRE系统 该工具使用LangGraph、MCP工具服务器、RAG支持的runbook检索和A2A代理协调自动诊断和补救Kubernetes事件，部署在AWS EKS和Azure AKS上。
作者 Balakrishna V |首席架构师/代理人工智能工程师| CareFirst BCBS github： @巴拉克里希纳·瓦卢里·巴拉
📐 建筑
BigPanda / Datadog Alert
│
▼
┌─────────────┐
│ FastAPI │ POST /alert
│ (port 8000) │
└──────┬──────┘
│
▼
┌─────────────────────────────────────────────────────┐
│ LangGraph Orchestrator Agent │
│ │
│ receive_alert → rag_lookup → classify_alert │
│ │ │ │
│ ▼ ▼ │
│ ChromaDB RAG [CrashLoop|CPU|Metrics|DB] │
│ (runbook lookup) │ │
│ ▼ │
│ ┌─────────────────────────────────┐ │
│ │ Agent Router (A2A) │ │
│ └──┬──────────┬──────────┬─────────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌──────────┐ ┌─────────┐ ┌──────────┐ │
│ │K8s Agent │ │Metrics │ │Incident │ │
│ │ │ │Agent │ │Agent │ │
│ └────┬─────┘ └────┬────┘ └────┬─────┘ │
│ │ │ │ │
└──────────────┼─────────────┼───────────┼─────────────┘
│ │ │
┌────────▼──┐ ┌───────▼───┐ ┌───▼──────────┐
│ K8s MCP │ │ AWS MCP │ │ ServiceNow │
│ Server │ │ Azure │ │ MCP Server │
│ (kubectl) │ │ Monitor │ │ │
└───────────┘ └───────────┘ └──────────────┘
美人鱼流程图：
flowchart TD
A[BigPanda Alert] --> B[FastAPI /alert]
B --> C[LangGraph Orchestrator]
C --> D{RAG Lookup}
D --> E[ChromaDB Runbooks]
C --> F{Classify Alert}
F -->|CrashLoop/OOM| G[Kubernetes Agent]
F -->|High CPU/Memory| H[Metrics Agent]
F -->|P1/P2 Incident| I[Incident Agent]
G --> J[K8s MCP Server]
H --> K[AWS/Azure MCP Server]
I --> L[ServiceNow MCP Server]
J --> M[kubectl: restart/scale]
K --> N[CloudWatch/Azure Monitor]
L --> O[ServiceNow Ticket Created]
C --> P[Summarize & Notify]
✨ 特性
| 特性 | 描述 |
|---|---|
| 多代理编排 | LangGraph状态机协调4个专业代理 |
| RAG Runbook检索 | ChromaDB语义搜索超过10个SRE生产运行手册 |
| MCP工具服务器 | 4台服务器：Kubernetes、AWS、Azure、ServiceNow——总共25个工具 |
| A2A代理发现 | 代理人注册能力；路由器自动委派任务 |
| 自动修复 | Pod重启、扩展、节点耗尽——P3/P4无需人为干预 |
| 多云 | 通过Helm+Terraform在AWS EKS和Azure AKS上部署 |
| 完全可观察性 | 普罗米修斯指标+Grafana仪表板 |
| HIPAA就绪 | 密钥库/秘密管理器中的所有秘密，在静止时加密 |
关键指标（来自生产CareFirst BCBS）：
- ⬇️ MTTD：10-15分钟→ 2-5分钟
- ⬇️ MTTR:45-90分钟→ 15-30分钟
- 🤖 自动修复： 40%的P3/P4事件
🚀 快速开始
先决条件
- Python 3.11+
- Docker+Docker组合
- kubectl（用于K8s功能）
- Terraform 1.5+（用于云部署）
本地开发
# 1. Clone the repo
git clone https://github.com/balakrishna-valluri-bala/agentic-sre-platform.git
cd agentic-sre-platform
# 2. Set up environment
cp .env.example .env
# Edit .env — add your OPENAI_API_KEY at minimum
# 3. Start all services
docker-compose up -d
# 4. Ingest runbooks into ChromaDB
python rag/ingest.py
# 5. Test the API
curl -X POST http://localhost:8000/alert \
-H "Content-Type: application/json" \
-d '{
"alert_type": "CrashLoopBackOff",
"severity": "high",
"namespace": "production",
"pod_name": "api-server-7d9b8f-xyz",
"message": "Pod restarted 8 times in last 10 minutes",
"source": "bigpanda"
}'
预期响应
{
"alert_id": "alert-abc123",
"status": "remediated",
"assigned_agent": "kubernetes-agent",
"remediation_steps": [
"Retrieved runbook: crashloopbackoff.md",
"Fetched pod logs: OOMKilled — memory limit exceeded",
"Restarted pod: api-server-7d9b8f-xyz",
"Updated memory limit from 512Mi to 1Gi"
],
"incident_number": null,
"summary": "CrashLoopBackOff resolved via pod restart. Root cause: OOMKill due to memory limit. Recommended: increase memory limit."
}
📡 API 参考
| 方法 | 端点 | 描述 |
|---|---|---|
POST |
/alert |
处理传入的SRE警报 |
POST |
/chat |
SRE会话助理 |
GET |
/agents |
列出已注册的A2A代理商 |
GET |
/runbooks?query=<text> |
语义runbook搜索 |
GET |
/health |
健康检查 |
POST/alert--请求正文
{
"alert_type": "CrashLoopBackOff | HighCPU | OOMKilled | NodeNotReady | ...",
"severity": "critical | high | medium | low",
"namespace": "production",
"pod_name": "my-pod-xyz",
"message": "Human-readable alert description",
"source": "bigpanda | datadog | pagerduty"
}
🧠 代理架构
编排器(agents/orchestrator.py)
具有7个节点的LangGraph状态图。在多回合互动中保持完整的对话状态。使用MemorySaver进行持久化。
Kubernetes代理(agents/kubernetes_agent.py)
通过K8s MCP服务器使用6个工具重新激活代理。诊断pod故障、读取日志、重启pod并扩展部署。
度量代理(agents/metrics_agent.py)
查询Datadog API和AWS CloudWatch。使用pandas执行异常检测。生成自然语言见解。
事件代理(agents/incident_agent.py)
创建、更新和关闭ServiceNow事件。包括重复数据删除功能--不会为同一警报创建重复的票证。
RAG代理(agents/rag_agent.py)
ChromaDB runbook集合上的语义+关键字混合搜索。返回具有相似性得分的排名Runbook。
🔧 MCP服务器
| 服务器 | 端口 | 工具 |
|---|---|---|
kubernetes_mcp.py |
8001 | get_pod_status、get_pod_logs、restart_pod、scale_deployment、get_node_status和get_events |
aws_mcp.py |
8002 | get_cloudwatch_metrics、get_alarms、describe_eks_cluster、get_eks_nodegroups、put_metry_data、get_log_events |
azure_mcp.py |
8003 | get_aks_cluster、get_azure_metrics、get_azzre_alers、get_log_analytics_query、get_keyvault_secret |
servicenow_mcp.py |
8004 | 创建事件、更新事件、获取事件、关闭事件、搜索事件 |
📚 RAG系统
10本生产运行手册，涵盖：
crashloopbackoff · high-cpu-usage · pod-oom-killed · deployment-failed · node-not-ready · pvc-pending · service-unavailable · etcd-backup · alert-fatigue · database-connection
摄入： python rag/ingest.py
Chunking： 递归字符TextSplitter（chunk_size=500，重叠=50）
嵌入： OpenAI文本嵌入3-small
矢量存储： ChromaDB
☁️ 基础设施部署
AWS-EKS
cd infrastructure/aws
terraform init
terraform plan
terraform apply
aws eks update-kubeconfig --region us-east-1 --name sre-platform-eks
helm upgrade --install agentic-sre ./helm/agentic-sre -n sre-platform
Azure AKS
cd infrastructure/azure
terraform init
terraform plan
terraform apply
az aks get-credentials --resource-group sre-platform-rg --name sre-platform-aks
helm upgrade --install agentic-sre ./helm/agentic-sre -n sre-platform
🏗️ 项目结构
agentic-sre-platform/
├── agents/ # LangGraph + LangChain agents
├── mcp_servers/ # FastAPI MCP tool servers
├── a2a/ # Agent-to-Agent registry and routing
├── rag/ # ChromaDB RAG pipeline + runbooks
├── api/ # FastAPI main application
├── infrastructure/ # Terraform: AWS + Azure
├── helm/ # Helm chart for K8s deployment
├── tests/ # pytest unit tests
└── .github/ # CI/CD workflows
🤝 贡献
- 分叉回购
- 创建要素分支：
git checkout -b feature/my-feature - 运行测试：
pytest tests/ -v - 格式代码：
black . - 提交PR
📜 许可证
MIT许可证——见 许可证
建造于 巴拉克里希纳五世 --首席架构师/代理人工智能工程师
