HolmesGPT — CNCF SRE Agent

[ 安装指南 ] | [ 文档 ]

这是一个用于调查生产环境故障并查找根本原因的开源 AI Agent。它适用于任何技术栈，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 — 7x24 小时后台自动发现问题

大多数 AI Agent 在排查问题方面表现出色，但仍需要人工介入来感知故障并触发调查。Operator 模式 解决了这一痛点 —— HolmesGPT 在后台 7x24 小时运行，在客户察觉前发现问题，并通过 Slack 将修复建议发送给您。连接 GitHub 集成 后，它甚至可以自动创建 PR 来修复已发现的问题。

虽然 Operator 本身在 Kubernetes 中运行，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 (Deployment verification) — 在应用旁部署健康检查，验证新版本是否正常。
• 定时健康检查 (Scheduled health checks) — 持续监控服务并自动捕获回归问题。

功能特性

• PB 级数据处理能力：通过服务端过滤、JSON 树遍历和工具输出转换器，防止海量负载占用 LLM 上下文窗口。
• 内存安全执行：具备工具级内存限制、大结果流式传输到磁盘以及自动输出预算机制，防止查询大规模可观测性数据集时发生 OOM (内存溢出) 崩溃。
• 深度集成：支持 Prometheus、Grafana、Datadog、Kubernetes 以及更多 —— 同时也支持任何 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。
• 支持任意 LLM 提供商：OpenAI、Anthropic、Azure、Bedrock、Gemini 等。
• 无需 Kubernetes：适用于任何基础设施 —— 虚拟机、裸机、云服务或容器。

工作原理

HolmesGPT 使用 Agentic Loop（智能体循环）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 与主流可观测性和云平台进行了集成。以下是内置的数据源（“工具集”）。添加您自己的数据源。

数据源	说明
AKS	Azure Kubernetes Service 集群及节点健康诊断
ArgoCD	获取应用、项目和集群的状态、历史记录、清单等
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、性能、连接及慢查询分析
Confluence	私有运维手册和文档
Confluence (MCP)	私有运维手册和文档 (MCP)
Coralogix	获取任意资源的日志
Crossplane	排查 Crossplane 提供程序、组合、声明和托管资源
Datadog	查询日志、指标和链路追踪
Docker	获取镜像、日志、事件、历史记录等
Elasticsearch / OpenSearch	查询日志、集群健康、分片和索引诊断
GCP	Google Cloud Platform 资源 (MCP)
GitHub	仓库、Issue 和 Pull Request (MCP)
GitLab	项目、合并请求、Issue 和 CI/CD 流水线 (MCP)
Jenkins (MCP)	Jenkins CI/CD 任务和构建状态 (MCP)