HolmesGPT — CNCF SRE Agent

[ 安装指南 ] | [ 文档 ]

用于调查生产环境事件并查找根本原因的开源 AI Agent。适用于任何技术栈——包括 Kubernetes、虚拟机、云服务提供商、数据库和 SaaS 平台。我们是 云原生计算基金会 (CNCF) 的沙盒项目。由 Robusta.Dev 最初创建，并得到了 Microsoft 的重要贡献。

新功能：Operator 模式 — 24/7 后台自动发现问题

大多数 AI Agent 虽然擅长排查问题，但仍需要人工介入来感知异常并触发调查。Operator 模式解决了这个问题——HolmesGPT 在后台 24/7 全天候运行，在客户察觉之前发现问题，并通过 Slack 向你推送修复方案。连接 GitHub 集成 后，它甚至可以自动提交 PR 来修复发现的问题。

虽然 Operator 本身运行在 Kubernetes 中，但健康检查可以查询 Holmes 连接的任何数据源——包括虚拟机、云服务、数据库、SaaS 平台等。

• 部署验证 — 在应用旁部署健康检查，验证新版本是否正常运行。
• 定时健康检查 — 持续监控服务并自动捕获回归问题。

功能特性

• PB 级数据处理：通过服务端过滤、JSON 树遍历以及工具输出转换器，将海量负载排除在上下文窗口之外。
• 内存安全执行：具备工具级内存限制、大结果流式传输至磁盘以及自动输出预算管理，防止在查询大型可观测性数据集时出现 OOM（内存溢出）崩溃。
• 深度集成：支持 Prometheus、Grafana、Datadog、Kubernetes 及 更多数据源，并支持任何 REST API。
• 双向告警集成：从 AlertManager、PagerDuty、OpsGenie 或 Jira 获取告警，并将调查结果回写。
• 任意 LLM 提供商：支持 OpenAI、Anthropic、Azure、Bedrock、Gemini 等。
• 无需 Kubernetes：适用于任何基础设施——包括虚拟机、裸金属服务器、云服务或容器。

工作原理

HolmesGPT 使用 Agent 循环 (Agentic Loop) 从多个来源查询实时可观测性数据并识别根本原因。

🔗 数据源

HolmesGPT 集成了主流的可观测性和云平台。以下是内置的数据源（“工具集”）。你也可以 添加自己的工具集。

数据源	说明
AKS	Azure Kubernetes Service 集群及节点健康诊断
ArgoCD	获取应用、项目及集群的状态、历史记录、Manifest 等
AWS	RDS 事件、实例、慢查询日志等 (MCP)
Azure	Azure 资源及诊断 (MCP)
Azure SQL	数据库健康状况、性能、连接及慢查询
Confluence	私有运维手册 (Runbooks) 及文档
Confluence (MCP)	私有运维手册及文档 (MCP)
Coralogix	检索任何资源的日志
Datadog	查询日志、指标及链路追踪
Docker	获取镜像、日志、事件、历史记录等
Elasticsearch / OpenSearch	查询日志、集群健康、分片及索引诊断
GCP	Google Cloud Platform 资源 (MCP)
GitHub	仓库、Issue 及 Pull Request (MCP)
Grafana	查询并分析仪表盘配置及面板
Helm	Release 状态、Chart 元数据及 Value 配置
Internet	公共运维手册、社区文档等