🦴 偶发事件操作
人工智能辅助事件检测、分类和治理——基于Kiro的规范驱动工作流构建
IncidentOps是为 Kiro 黑客 马拉松，旨在使在嘈杂的生产环境中更容易看到重复出现的问题。使用 Kiro的规范驱动开发、多代理编排和干净的迭代工作流，以在通常时间的一小部分内构建完整的事件管理系统。
______________________________________________________________________
🚀 概述
在实际操作中，重大事件很少以戏剧性的失败开始——它们始于 *小重复信号* 埋在木头里。 IncidentOps使用一系列协作代理来展示这些模式：
- 监视器代理 –检测原始日志条目中的异常
- LLMAlertSummaryAgent –生成人性化的摘要
- 分类试剂 –指定确定性严重性+类别
- LLM解决方案代理 –建议基于人工智能的补救措施
- OpsLogAgent –编写事实审计日志（无解释）
- LLM管理代理 –执行风险评分、上报、合规
- LLM治理洞察代理 –分析重复出现的历史模式
- 通知代理 –如果启用，则向外部发送警报（电子邮件、推送）
所有运行都存储在持久 SQLite数据库，该系统包括一个多页面 流线型UI 用于与管道结果交互。
______________________________________________________________________
🧩 架构图
*注意：渲染免费层服务可能需要20-40秒才能冷启动。*
______________________________________________________________________
🖥️ 如何使用该应用程序
- 打开已部署的Streamlit应用程序
*（冷启动可能需要30-60秒）*
- 首选 家 使用示例日志运行完整的管道
- 浏览侧边栏页面：
- 管道转轮 → 查看每个代理的输出 - 治理见解 → 查看跑步中的重复模式 - 数据库视图 → 检查持续存在的历史事件
- 多次运行管道——结果将保存在SQLite中
- 如果设置了环境变量，则可以选择测试NotificationAgent
______________________________________________________________________
⚙️ 技术栈
| 图层 | 工具 | 目的 |
|---|---|---|
| 编排 | Python | 代理逻辑+流水线执行 |
| UI | Streamlit | 多页面前端 |
| 存储 | SQLite | 完全持久运行+分析 |
| AI推理 | LLMs（OpenAI） | 总结、补救、见解 |
| 发展 | 开发 IDE | 规范驱动、任务驱动的构建工作流 |
______________________________________________________________________
🧠 使用的Kiro功能
- 规范驱动开发
编写结构化规范→ Kiro生成了模块化代理和流。
- 启动任务工作流
允许对每个规范进行干净、确定的执行。
- 氛围编程
使用会话细化迭代地演化组件。
- 挂钩和触发器
互联治理评分+洞察生成。
- 指导文件
确保跨UI、DB、管道和代理的可重复生成。
______________________________________________________________________
📦 本地设置
1.安装依赖项
pip install -r requirements.txt2.设置环境变量（可选但推荐）
OPENAI_API_KEY=your_key
EMAIL_USER=...
EMAIL_PASSWORD=...3.运行Streamlit UI
streamlit run ui/Home.py4.目录结构
首次运行时自动创建：
data/db/ # SQLite persistence
data/sample_logs/ # Input samples
logs/ # Agent + pipeline logs______________________________________________________________________
🔮 未来的增强功能
- 插入真正的可观察性源（CloudWatch、Prometheus）
- 添加基于AI的事件相关性
- 通过风险阈值扩展治理评分
- 集成传出通知（Slack、PagerDuty、Jira）
______________________________________________________________________
👤 作者
里玛·拉加瓦 AI+BI+运维系统架构师
🔗 领英： https://www.linkedin.com/in/reema-raghava-28737a11/ 🔗 github：
______________________________________________________________________