智柴 社区与学术工作台
登录后可发布主题、参与讨论与保存学习记录
社区频道
AI 学术与学习工作台
Loading...
正在加载…
返回主题列表

OpenSRE:让 agent 接管凌晨三点的 CI 红色告警

仓库:Tracer-Cloud/opensre
语言:Python
协议:Apache 2.0
Trending:450 stars/day

场景:凌晨三点的红色告警

周一凌晨三点,你的 CI 仪表盘突然变红。Pipeline #4827 失败。你打开日志,看到 exit code 137——OOM Killed。但为什么?是测试内存泄漏,还是 Docker 容器配额改了,还是上次合并的 PR 引入了新依赖?

CI 告诉你"什么挂了",但不告诉你"为什么挂"或"怎么修"。团队里谁有空谁去查,查到一半发现是 flaky test,重跑一次绿了,问题被推到下一周。主分支就这么红着,直到某个资深工程师实在看不下去,花两小时翻完三天的日志才找到根因。

OpenSRE 想干掉的就是这个环节。它是一个开源的 CI/CD 可靠性 agent,当 pipeline 失败时自动介入:读日志、测试假设、定位根因、推送修复 PR 等你 review。

把资深 SRE 的时间结构化

OpenSRE 的核心思路是:把资深工程师的排障流程显式化。

一个老手看到 CI 红了,不会从头读日志。他会先分类——是 CI 本身的问题(runner、网络、配额),还是代码的问题(测试、依赖、配置)?然后针对每类走不同的验证路径:拉本地复现、查最近合并的 PR、对比上次成功的 run、检查第三方服务状态。

OpenSRE 做的就是这个分类和验证。它读失败的 run,区分"CI 导致的失败"和"代码导致的失败"——这个区分很关键,因为前者重跑就行,后者必须改代码。很多团队在 flaky test 上浪费大量时间,就是因为没有这个区分。

项目引用了 SWE-bench 的研究结论:agent 在有真实任务和清晰反馈时进步最快。但 pipeline 失败比本地代码任务更慢、更嘈杂、更难复现。所以 OpenSRE 的设计标准是"在更恶劣的反馈环境下仍能工作"——它跑真实的端到端测试,保持语义化的测试目录命名,让 e2e vs unit、local vs cloud 的边界始终清晰。

不只是 CI/CD:同一个 agent 调查生产事故

OpenSRE 的能力边界比名字暗示的更宽。同一个 agent 可以调查生产事故——不只是 pipeline 失败,还包括 EKS pod 异常、CloudWatch 告警、Kubernetes 状态漂移、Grafana 指标异常、Alertmanager 路由的告警、Datadog 仪表盘的异常、Slack 里上报的问题。

工作方式是:你接入这些集成(EKS、EC2、CloudWatch、K8s、Grafana 的 Loki/Mimir/Tempo、Alertmanager、Datadog、Slack、GitHub),然后在交互式 shell 里用自然语言描述事故,或者让告警直接路由到 OpenSRE。agent 会自动选择合适的工具——查日志、看指标、检查 pod 状态、翻部署历史。

三种使用模式覆盖不同场景:

  • 交互式 shell:opensre 启动 REPL,用自然语言描述事故,看 agent 工作,用 /help、/status、/cost 等斜杠命令控制会话
  • Headless CLI:opensre ask "why is checkout-api slow?" 一行命令跑一轮 agent,适合从 CI job 或脚本调用
  • Python API:from surfaces.embedded import start_embedded_session,在 Python 服务里驱动 agent,适合嵌入团队已有的自动化

Ctrl+C 取消当前轮次但保留会话状态——这个细节很实用,因为 agent 调查到一半你发现方向错了,想改 prompt 而不是从头来。

自托管,模型自己选

OpenSRE 的部署模型很明确:自托管,用你自己的 LLM。

三种部署方式:

  • OpenSRE Cloud 托管网关:组织管理员在 web app 里开通,shell 用户不需要本地处理基础设施凭证
  • AMI + systemd 网关:make build-gateway-image + make deploy-gateway-image,纯 Telegram 网关,无 Docker
  • 自托管容器:部署仓库的 Dockerfile,选 MODE,设 LLM_PROVIDER 和 API key,可跑在 Railway / ECS / Vercel 上

"用你自己的模型"这点对很多团队是硬需求。生产事故的日志包含敏感信息——用户数据、内部架构、错误堆栈。把这些发给第三方 LLM 服务可能违反合规要求。OpenSRE 让你把 agent 跑在自己的 VPC 里,模型也用自己的(可以是自部署的开源模型,也可以是私有 API)。

成本可观测:CI 到底在烧多少钱

除了排障,OpenSRE 还提供 CI 成本可观测性:失败率、开发者因不可靠 CI 损失的小时数、主分支保持红色的时间。这些指标很多团队从来没认真统计过,但它们直接反映工程效率。

一个 flaky test 看起来只是"偶尔重跑一次",但如果每周触发 10 次重跑、每次浪费 15 分钟开发者等待时间,一年就是 130 小时。OpenSRE 把这些隐性成本显式化,让技术债变得可量化。

限制和现状

项目明确标注 Public Alpha:核心工作流可用但尚未完全稳定,API 和集成可能在演进中。这意味着早期采用者需要容忍 breaking change,但也意味着现在参与可以影响项目方向。

谁该关注

  • SRE 和平台工程团队:如果你在为 flaky test 和红色主分支头疼,这是直接相关的工具
  • AI agent 实践者:OpenSRE 是"agent 在真实工程场景落地"的案例,比 SWE-bench 那种合成任务更接近生产
  • 关注"AI 会不会取代工程师"的人:OpenSRE 的定位是"把资深工程师的排障流程自动化",不是取代工程师,而是让每个工程师都能拿到资深级别的分析深度。这个定位很务实——它不假装能做所有事,但承诺把一件具体的事做好

CI/CD 可靠性是个不那么性感但极其重要的问题。每天有无数工程小时浪费在"查为什么 CI 红了"上。OpenSRE 把这个环节结构化,让 agent 做它擅长的事(读日志、测试假设、跨系统关联),让人做人擅长的事(判断、决策、review)。这个分工是否有效,需要真实场景验证——但至少有人开始认真做这件事了。

讨论回复

加载中…
正在加载回复...

正在加载讨论…

登录后参与讨论
推荐
智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包,期待和你一起在 BigModel 上畅享卓越模型能力
登录