# langchain-react-aiops-agent **Repository Path**: ye-liangjun/langchain-react-aiops-agent ## Basic Information - **Project Name**: langchain-react-aiops-agent - **Description**: 基于 LangChain ReAct Agent 的 AIOps 智能运维助手，集成 RAG 知识库与多种运维工具 - **Primary Language**: Python - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-09-08 - **Last Updated**: 2026-09-10 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 🚀 LangChain ReAct Agent 企业 AIOps 运维智能体基于 **LangChain + ReAct Agent + RAG + Tool Calling** 构建的企业 AIOps 智能运维项目，面向服务异常分析、日志辅助诊断、监控指标解读、依赖关系梳理与运行报告生成等场景。当前项目已经从早期的“问答示例”演进为 **AIOps 运维分析 Agent**：主提示词与报告提示词均围绕企业运维场景设计，工具层提供告警、指标、日志、拓扑与报告聚合能力，支持对 `order-service`、`payment-service`、`inventory-service` 等服务进行分析。 ## 效果预览 ### 1. 聊天界面展示 - 展示用户在前端输入问题后，系统返回问答结果的整体效果。左侧是历史记录

### 2. Agent 工具调用过程 - 展示 Agent 在任务处理中调用外部工具或执行中间推理的过程。

### 3. 报告生成示例 - 展示系统根据用户数据生成个性化分析报告的结果页面。

--- ## 1. 项目定位本项目的目标不是做一个通用聊天机器人，而是构建一个具备 **运维分析能力** 的智能体系统，让模型能够： - 理解用户的运维问题 - 在必要时自动调用工具获取结构化数据 - 结合知识库完成补充分析 - 在普通问答与报告生成之间自动切换提示词 - 输出专业、简洁、可执行的运维结论从当前主提示词可以看出，系统已经明确面向以下任务：运维知识问答、告警分析、监控指标分析、日志辅助诊断、根因推测与运行报告生成。 --- ## 2. 核心能力 ### 2.1 ReAct Agent 多工具协同项目使用 `create_agent(...)` 构建 ReAct 智能体，统一注册 RAG、服务识别、时间范围识别、告警查询、指标查询、日志摘要、拓扑查询和报告聚合等工具，使模型可以根据任务自动选择调用路径。 ### 2.2 RAG 检索增强项目通过 `Chroma` 构建本地向量库，支持从 `txt / pdf` 文档中加载知识，并通过 `RagSummarizeService` 完成“检索 + 总结”式问答，适合承载 SOP、排障经验、系统说明等运维资料。 ### 2.3 动态提示词切换项目通过中间件在普通问答与报告模式之间切换： - 普通场景：使用 AIOps 运维助手提示词 - 报告场景：使用结构化报告生成提示词这让同一个 Agent 同时具备“即时分析”和“正式报告输出”两种能力。 ### 2.4 面向运维的结构化工具集当前工具层已包含： - `fetch_alert_data`：告警信息 - `fetch_metric_data`：监控指标 - `fetch_log_summary`：日志摘要与高频错误 - `fetch_service_topology`：上下游依赖与中间件拓扑 - `fetch_report_data`：运行报告数据聚合 - `fill_context_for_report`：报告上下文注入 ### 2.5 可扩展的数据接入方式当前仓库内使用的是 mock 数据，便于快速演示 Agent 工作流；同时代码中也预留了后续接入真实系统的扩展位置，可进一步对接 Prometheus、Elasticsearch、告警平台、CMDB 或服务拓扑平台。 --- ## 3. 适用场景本项目适合以下典型场景： - 分析某个服务最近 1 小时 / 24 小时的异常情况 - 结合告警、指标、日志进行初步根因推测 - 输出服务运行日报 / 周报 / 月报 - 基于知识库回答运维 SOP 与常见故障处理问题 - 对系统上下游依赖关系进行影响面分析示例问题： ```text 分析一下 order-service 最近1小时的异常情况生成 inventory-service 本月运行报告 payment-service 今天有哪些高频异常 order-service 的问题可能会影响哪些下游服务 ``` --- ## 4. 项目架构 ```bash . ├── agent/ # Agent 核心逻辑 │ ├── react_agent.py # ReAct Agent 主入口 │ └── tools/ │ ├── agent_tools.py # 工具定义：告警 / 指标 / 日志 / 拓扑 / 报告 / RAG │ └── middleware.py # 中间件：工具监控、日志、动态提示词切换 ├── config/ # YAML 配置 │ ├── agent.yml │ ├── chroma.yml │ ├── prompts.yml │ └── rag.yml ├── data/ # 知识库文档目录 ├── model/ │ └── factory.py # 聊天模型与嵌入模型工厂 ├── prompts/ │ ├── main_prompt.txt # 普通问答提示词 │ ├── report_prompt.txt # 报告模式提示词 │ └── rag_summarize.txt # RAG 总结提示词 ├── rag/ │ ├── rag_service.py # 检索总结服务 │ └── vector_store.py # 向量库加载与检索 ├── utils/ │ ├── config_handler.py # 配置读取 │ ├── file_handler.py # 文件加载与 MD5 去重辅助 │ ├── logger_handler.py # 日志模块 │ ├── path_tool.py # 路径工具 │ └── prompt_loader.py # 提示词加载器 ├── app.py # 交互入口 ├── requirements.txt └── README.md ``` --- ## 5. 工作流程 ### 5.1 普通分析流程 1. 用户输入服务分析问题 2. Agent 解析是否已包含服务名与时间范围 3. 如信息不足，则调用 `get_target_service` / `get_time_range` 4. 调用告警、指标、日志、拓扑等工具补充上下文 5. 根据主提示词输出结构化分析结果建议输出结构通常包括： - 问题分析 - 可能原因 - 排查步骤 - 解决建议 ### 5.2 报告生成流程当用户请求“生成报告 / 今日运行情况 / 本周分析 / 本月分析 / 系统健康度分析”等内容时，Agent 会进入报告模式： 1. 必要时补全服务名与时间范围 2. 先调用 `fill_context_for_report` 3. 优先调用 `fetch_report_data` 4. 如数据不足，再补充调用告警 / 指标 / 日志 / 拓扑 / RAG 工具 5. 按报告提示词输出正式结构化报告报告结构包括： - 报告概览 - 核心指标表现 - 告警与异常情况 - 日志与根因分析 - 依赖与影响分析 - 综合判断 - 运维建议 --- ## 6. 技术栈 - **Agent 框架**：LangChain、LangGraph - **模型接入**：Tongyi / DashScope - **向量数据库**：Chroma - **文档处理**：PyPDFLoader、TextLoader - **文本切分**：RecursiveCharacterTextSplitter - **工程能力**：YAML 配置管理、日志系统、模块化结构设计 --- ## 7. 当前项目中的关键设计 ### 7.1 主提示词与报告提示词分离项目将普通问答与报告生成拆成两套提示词： - `main_prompt.txt`：聚焦 AIOps 分析、异常排查、工具调用规范 - `report_prompt.txt`：聚焦正式报告生成、章节结构与语言风格约束这样可以避免“问答场景写成报告”或“报告场景写成闲聊回复”的问题。 ### 7.2 知识库加载支持去重向量库加载逻辑会对知识文件计算 MD5，并记录已处理文件，避免重复导入同一批资料。 ### 7.3 模拟数据与真实接入解耦当前仓库中的告警、指标、日志和拓扑数据使用 mock 数据，便于快速演示；后续只需要替换工具内部的数据获取逻辑，无需改动 Agent 主体流程。 --- ## 8. 关于“流式输出”的建议如果你使用的是 **Tongyi + Tool Calling + Agent 流式** 组合，需要注意兼容性问题。实践中更稳的方式通常是： ### 方案 A：推荐 - Agent 主流程使用非流式调用 - 拿到完整结果后，在应用层分段输出 - 对前端或控制台来说，仍然是“流式展示” 这种方式最稳，尤其适合带工具调用的复杂 Agent。 ### 方案 B：两阶段流式 - 第一阶段：Agent 非流式完成工具调用与数据聚合 - 第二阶段：使用纯文本流式模型，对最终结果进行流式生成如果你当前已经遇到 `KeyError: 'name'` 一类与流式工具调用相关的问题，优先建议采用 **方案 A**。 --- ## 9. 快速开始 ### 9.1 环境要求 - Python 3.10+ - 可用的 DashScope / Tongyi API Key - 已安装并可正常使用的依赖环境 ### 9.2 安装依赖 ```bash git clone https://github.com/Ye1510/langchain-react-aiops-agent.git cd langchain-react-aiops-agent pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ``` ### 9.3 配置 API Key Linux / macOS： ```bash export DASHSCOPE_API_KEY="your-api-key" ``` Windows PowerShell： ```powershell $env:DASHSCOPE_API_KEY="your-api-key" ``` Windows CMD： ```cmd set DASHSCOPE_API_KEY=your-api-key ``` ### 9.4 检查配置文件首次运行前建议确认： - `config/rag.yml` - `config/chroma.yml` - `config/prompts.yml` - `config/agent.yml` 其中需要特别关注： - 模型名称 - 向量库存储目录 - 知识库数据目录 - 提示词文件路径 ### 9.5 准备知识库文档将你的运维文档、SOP、系统说明、故障案例等放入 `data/` 目录，支持 `txt / pdf` 等文件类型。 ### 9.6 初始化向量库如果项目尚未完成知识库入库，可先执行相应加载逻辑，将 `data/` 中的资料写入 Chroma。 ### 9.7 启动项目根据你的 `app.py` 实现方式启动入口程序，例如： ```bash python app.py ``` 如果你的本地入口仍然是 Streamlit，则使用： ```bash streamlit run app.py ``` --- ## 10. 最小化验证启动后可优先测试以下输入： ### 普通分析 ```text 分析一下 order-service 最近1小时的异常情况 ``` ```text payment-service 今天有哪些异常 ``` ### 报告生成 ```text 生成 inventory-service 本月运行报告 ``` ```text 请给我一份 order-service 今日系统健康度分析 ``` 如果以上问题能够返回结构化结果，说明基础链路已经跑通。 --- ## 11. 后续可扩展方向可以继续把这个项目往更真实的企业 AIOps 方向扩展： - 接入 Prometheus 获取实时指标 - 接入 Elasticsearch / Loki 获取真实日志摘要 - 接入告警平台实现实时告警分析 - 接入服务拓扑平台或 CMDB - 支持多服务联合分析与影响扩散判断 - 支持工单生成、故障升级、自动化修复建议 - 增加 FastAPI / Web 前端 / Streamlit 可视化界面 --- ## 12. 常见问题 ### Q1：为什么建议不要直接打开 Agent 原生流式？因为带工具调用的流式链路在部分模型接入下兼容性不稳定，容易在工具调用增量解析阶段报错。对当前项目而言，更稳的选择是“非流式执行 + 应用层伪流式输出”。 ### Q2：当前数据为什么看起来是固定的？因为当前工具层使用 mock 数据做演示，这是为了先把 Agent 工作流跑通。后续只需要替换工具内部的数据来源即可对接真实系统。 --- ## 13. 致谢 - LangChain - LangGraph - Chroma - Alibaba Cloud DashScope / Tongyi --- ## 14. License 本项目适合作为 Agent / AIOps / RAG / Tool Calling 学习与实践项目使用。如果这个项目对你有帮助，欢迎点个 Star。