> **一个看得懂系统、查得出根因、还能动手解决的AI Agent。**监控、远程执行、知识库、专家智能体、Bash、文件等各类技能——直接通过飞书、Slack、Telegram下达指令。
过去十年，运维工具堆得越来越高：Prometheus 看指标、Loki 翻日志、Grafana 画图、Jaeger 追链路、再加一堆告警群和值班表。但凌晨三点告警一响，工程师要做的事情还是老一套——**在七八个面板之间来回跳，把碎片拼成一个”为什么”**。
而Ongrid(https://github.com/ongridio/ongrid)是完全AI Nitave的做法：让 AI Agent 替你跳面板、拼线索、写结论，把人从”采集者”变成”决策者”。而且——**它完全开源、一行命令就能自托管，数据全程不出你自己的机房。**
下面，跟着每一个模块，看看它到底能干什么。
* * *
## 一、入口：用一句话开始，而不是一堆面板
打开 Ongrid，迎接你的不是密密麻麻的图表，而是一句随机prompt例如：**”需要我先做些什么？”**
顶部一行就是集群的”体温”：`4/4 在线设备`、`6 未确认告警`、本周会话数、今日 LLM token。下面是几个开箱即用的意图卡片——”找出资源最紧张的 3 台设备”、”看一台设备的实时负载”、”对比设备之间的网络流量”。
你不需要记 PromQL，不需要知道指标叫什么。**想问什么，就打一句中文。**剩下的，交给 Agent。
* * *
## 二、Agent 助理：会自己编排工具的运维大脑
这是 Ongrid 的心脏。当你问”找出当前 CPU、内存或负载最紧张的 3 台设备，给出关键指标和判断依据”——
看它怎么干活：
1. **并行拉取**三个维度（CPU / 内存 / 负载）的排名；
2. 发现`rank_edges`返回空，**自己判断**”可能 scrape 数据尚未就绪”，立刻改用`query_promql`直接从 Prometheus 取 top 3；
3. 注意到`device_id=1`内存有波动（72% → 41%），**主动追加**查询去确认当前值，并拉核数做 load 基准、检查近期告警。
这不是一个”问一句答一句”的聊天机器人，而是一个**会自己设计排查路径、遇阻会换路、看到异常会深挖**的协调者（Coordinator）。它背后还能把任务分派给 SRE / 网络 / 数据库子专家。每一次工具调用都清清楚楚列在时间线里，**可审计、可复盘**。
* * *
## 三、仪表盘：集群态势一屏掌握
在线设备、过去 24h 平均 CPU / 内存、今日 LLM token、本周会话数——核心指标卡顶在最上面。下面是 24 小时集群趋势、集群在线态势（绿色心跳条一眼看出谁掉过线）、告警分级环图，以及”告警源 TOP 5″。
**它既是给人看的总览，也是给 Agent 用的上下文。**当你发起一次诊断，Agent 看到的，和你看到的，是同一份实时态势。
* * *
## 四、设备纳管 + 浏览器 SSH：零入站端口，开箱即连
每台机器装一个轻量 edge agent，**主动拨出**到云端建隧道——主机上**不需要开放 22 / 80 / 443 任何入站端口**。列表里在线状态、最后心跳、版本一目了然。
最爽的是右边那颗”终端”按钮：
点一下，浏览器里直接弹出一个真实的 SSH 会话——`root@VM-0-10-ubuntu`，`uptime`、`apt list`随便敲。**没有跳板机、不用分发密钥、走反向隧道、全程审计。**在任何一台内网机器上拿到一个 shell，从此只要一次点击。
> **🔒 技术解密：零端口暴露怎么做到的？**
>
>
> 传统方案是”云端来连主机”，每台机器都得开端口、放行入站——每开一个口，就多一个被攻击的面。Ongrid 反过来：**主机上的 edge 只做一件事——主动向云端拨出一条加密连接**，就像浏览器访问网站一样。之后所有命令、SSH、文件传输，全都在这条**主机自己发起的隧道里反向流动**。
>
>
> 结果就是：**主机零监听端口、防火墙入站规则可以全关**，22 / 80 / 443 一个都不用开。攻击面从”每台机器一堆开放端口”，收敛成”一条出站连接”。
* * *
## 五、监控：内置可观测全家桶，Agent 自己写查询
Prometheus + Grafana 已经接好。全集群 CPU / 内存 / 磁盘 / 网络吞吐、按物理设备拆分、Top 8 进程 CPU / 内存——这些面板出厂即用。需要深度分析或自定义？一键跳 Grafana。
关键在于：**这些 PromQL 不需要你写。**面板标题上挂着的就是真实查询语句，而当 Agent 排查时，它会自己拼出`topk(8, …)`、`rate(node_network_receive_bytes_total{…})`这样的表达式去取数。可观测栈是它的”眼睛”，不是你的负担。
* * *
## 六、日志：LogQL 直查 Loki，一行就是一条线索
按角色、设备、文件 / unit、时间范围筛选，或者直接写 LogQL。还有”最近错误 / OOM / 服务重启 / ssh 失败”这样的快捷标签，一键命中常见故障模式。支持实时跟随（tail）、关键词包含 / 排除、行内查找。
同样地——**Agent 也能查日志。**一次根因分析里，它会把指标的异常窗口和日志里的关键事件对齐，让”现象”和”证据”自动咬合。
* * *
## 七、告警 + 根因分析（RCA）：从”报警”到”答案”的最后一公里
这是 Ongrid 最能打的一块。告警不再只是一条红色通知，而是一份**带证据链的根因报告**：
`swap_high`触发后，Agent 自动起了一次 RCA，**耗时 34 秒、调用 14 个工具、置信度 90%**，给出结论：
> **根因：Milvus 向量数据库进程占用内存过高，把系统逼到使用 swap。**定位对象精确到`device=2 pid=3466113 service=Milvus`。
下面是一条条带标签的**证据链**（memory monitoring → swap monitoring → alert monitoring）、**关联告警**（#5 磁盘使用率 > 85%）、以及**带优先级的建议动作**（mutate / observe）。右侧还顺手算出了**影响面（拓扑邻居）**——这台设备出事，会波及谁。
从”Swap 使用率 > 50%”这种干巴巴的阈值，到”是 Milvus 把内存吃爆了，建议这样配限制”——**中间那一公里，Agent 替你走完了。**
* * *
## 八、知识库（RAG）：96 篇运维 Playbook 出厂内置
Ongrid 内置**96 篇**运维知识，其中**70 篇诊断 Playbook**——DNS 解析失败、文件描述符耗尽、OOMKilled、K8s Node NotReady、负载均衡健康检查抖动、非对称路由 rp_filter 丢包、IRQ 亲和失衡、NFS 卡死……几乎覆盖了一线最常见的疑难杂症。
这些不是摆设：**Agent 排查时会用`query_knowledge`检索它们**，把”行业经验”注入到每一次诊断里。组织还能上传自己的 Playbook（md / txt / pdf / docx），或接入私有代码仓库，让 AI 懂你**自己**的系统。
* * *
## 九、技能（Tools）：33 个能力，AI 的”手”
LLM 当前可见的能力一共**33 个**——7 个跑在设备端、26 个跑在云端，按 agent / 主机 / 告警 / 平台 / 文件系统 / 知识 / 网络 / 观测分类：
* `correlate_incident`——为一条 incident 做 metric / log / trace / edge 多源关联；
* `expand_topology`/`find_topology_node`——在业务拓扑图里 BFS 计算影响面；
* `host_bash`——设备上跑**只读**shell 做诊断探索（沙箱化 read-only 策略）；
* `get_host_load`/`get_host_processes`/`host_du_summary`/`host_find_large_files`——主机即时快照；
* `host_netns_inspect`——列出 network namespace 报告 IP / 路由 / 接口状态……
每一个都标了`safe`、标了运行位置、标了是否”仅 AI 调用”。**这就是 Agent 的双手**——而且每一次出手都在沙箱里、都被审计。
* * *
## 十、模型自由：热切换不重启
不绑定任何一家模型厂商。Anthropic / OpenAI / 智谱 GLM / DeepSeek / Gemini / Kimi——**填上自己的 API Key 即可**，每个提供商可配多个 model，聊天页下拉直接读这里。
改了 key 或模型列表，**~60 秒内自动生效**，无需重启。留空某个提供商的 key，它就不出现在下拉里。**默认模型一键切换，全平台（RCA / 翻译 / 聊天）跟随**——今天用 glm-5.1，明天想换 Claude，鼠标点一下的事。
* * *
## 十一、通道：告警和对话，直接打进飞书
排查能力再强，也得”送到人手边”。Ongrid 支持**Slack / Telegram / 飞书 / 钉钉 / 企业微信**五大 IM**双向**通道——告警推得出去，指令也能从群里发回来，每个通道还能配独立语言。
一段**飞书**里的真实交互：
* * *
## 十二、最重要的一件事：它是开源的
说了这么多能力，但 Ongrid 最该被记住的一点是——**它完全开源，Apache 2.0 协议，代码就摆在 GitHub 上（`github.com/ongridio/ongrid`）。**
这意味着什么？
* **一行命令，全栈自托管。**`docker compose up`，Prometheus + Loki + Tempo + Grafana + Agent 一整套直接在你自己的机器上跑起来。不是 SaaS 试用，不是 demo 沙箱——是你拥有的、能改的、能审计的完整系统。
* **数据不出门。**指标、日志、链路、SSH 会话、告警、对话记录，全都留在你自己的基础设施里。对金融、政企、私有化交付这些**数据不能上公有云**的场景，这不是加分项，而是能不能用的前提。
* **没有黑盒。**Agent 每一步怎么决策、调了哪些工具、跑了什么命令，代码里写得清清楚楚，行为可复现、可裁剪。担心 AI 在生产环境乱来？那就把它的”手”（技能）按你的策略锁死——源码在手，规则你定。
* **模型也由你做主。**配合前面说的”自带 API Key、热切换”——上层 Agent 开源、底层模型自带，**从代码到大脑，整条链路都不绑定任何一家厂商。**
闭源 SaaS 给你一个”信任我”的承诺；开源给你一份”自己验”的源码。**运维这种事，后者才让人睡得着。**
### 三步装起来
支持 Ubuntu 22.04+ / Debian 12+ / RHEL·Rocky 9。下载 release、解压、跑安装脚本：
`ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line“# 1. 下载最新 release“wget https://github.com/ongridio/ongrid/releases/download/v0.7.168/ongrid-v0.7.168-linux-amd64.tar.xz“# 2. 解压“tar -xf ongrid-v0.7.168-linux-amd64.tar.xz && cd ongrid-v0.7.168-linux-amd64“# 3. 安装“sudo ./install.sh`
想从源码起整套栈做本地开发？配好管理员账号和一个模型 API key 即可：
ounter(lineounter(linecp deploy/.env.example deploy/.envmake compose-up # 停止用 make compose-down
跑完，浏览器打开就是你在上面看到的那个工作台——**全部在你自己的机器上。**
* * *
## 结语：从”看图的人”到”做决策的人”
Ongrid 把可观测、设备直达、AI Agent、知识库、IM 通道拧成了一根链条：
| 模块 | 它替你做的事 |
| — | — |
| 🏠 对话入口 | 一句话发起任何运维任务 |
| 🤖 Agent 助理 | 自主编排工具、遇阻换路、深挖异常 |
| 📊 仪表盘 / 监控 | 集群态势一屏掌握，PromQL 不用手写 |
| 💻 设备 + WebSSH | 零入站端口，浏览器一键拿 shell |
| 📋 日志 / 链路 | LogQL 直查，证据自动对齐 |
| 🚨 告警 + RCA | 从阈值报警到带证据链的根因答案 |
| 🧠 知识库 | 96 篇 Playbook 注入每一次诊断 |
| 🛠️ 技能 | 33 个只读工具，AI 的双手，全程审计 |
| 🔌 模型 / 通道 | 自带模型热切换，飞书/钉钉/企微双向闭环 |
| 🔓 开源 / 自托管 | Apache 2.0，一行命令拉起，数据不出门 |
**采集、拼图、翻面板的脏活，交给 Agent。判断和决策，留给人。**而这一切，**开源、自托管、数据不出门**。
运维届的 OpenClaw，真的来了——而且，它把源码也一起交到了你手上。
⭐**GitHub：github.com/ongridio/ongrid**· Apache 2.0 ·`docker compose up`一键自托管
