运维诊断智能体设计文档

告警触发
  ↓
主诊断智能体启动
  ↓
并行执行子智能体:
  ├─ [日志分析智能体] → 分析错误日志和堆栈
  ├─ [指标分析智能体] → 分析CPU/内存/网络
  ├─ [链路追踪智能体] → 分析调用关系
  └─ [知识库检索智能体] → 检索相似故障
  ↓ 汇总
主诊断智能体:
  ├─ 综合分析所有数据
  ├─ 推理根本原因
  ├─ 评估影响范围
  └─ 生成解决方案
  ↓
输出诊断报告
  ↓
保存到知识库
  ↓
结束

分析以下日志,找出异常模式和错误原因:

## 日志数据
{logs}

## 分析要求
1. 识别所有ERROR和FATAL级别日志
2. 提取异常堆栈信息
3. 识别错误模式(如重复出现的错误)
4. 分析错误发生时间分布
5. 提取关键错误关键词

## 输出格式
返回JSON格式:
- error_type: 错误类型
- stack_trace: 堆栈信息
- frequency: 错误频率
- key_keywords: 关键词列表
- possible_causes: 可能原因

分析以下监控指标,找出异常和性能瓶颈:

## 指标数据
CPU使用率: {cpu_usage}
内存使用率: {memory_usage}
请求量: {request_count}
错误率: {error_rate}
响应时间P99: {response_time_p99}

## 历史基线
正常CPU使用率: 20-40%
正常内存使用率: 50-70%
正常错误率: <1%
正常响应时间: <200ms

## 分析要求
1. 识别异常指标(超过基线)
2. 分析指标之间的关联关系
3. 判断是否存在性能瓶颈
4. 评估资源使用是否合理

## 输出格式
返回JSON格式:
- abnormal_metrics: 异常指标列表
- correlations: 指标关联关系
- bottleneck: 性能瓶颈
- resource_status: 资源状态评估

分析以下调用链路,找出性能瓶颈和失败节点:

## 链路数据
{traces}

## 分析要求
1. 识别耗时最长的服务调用
2. 识别失败的调用节点
3. 分析服务依赖关系
4. 判断是否存在级联失败

## 输出格式
返回JSON格式:
- slow_services: 慢服务列表
- failed_nodes: 失败节点
- dependencies: 依赖关系图
- cascade_failure: 是否级联失败

基于以下信息,诊断故障根本原因:

## 故障信息
- 服务名称: {service_name}
- 故障时间: {timestamp}
- 告警信息: {alert_message}

## 日志分析
{log_analysis}

## 指标分析
{metric_analysis}

## 链路分析
{trace_analysis}

## 相似历史故障
{similar_incidents}

## 分析要求
1. 综合所有信息推理根本原因
2. 评估根因推理的置信度(0-100%)
3. 分析故障影响范围和严重程度
4. 提供3个解决方案,按优先级排序
5. 提出预防措施

## 输出格式
返回JSON格式:
{
  "root_cause": "根本原因描述",
  "confidence": 85,
  "impact": {
    "severity": "HIGH",
    "affected_services": ["service1", "service2"],
    "user_impact": "影响描述"
  },
  "solutions": [
    {
      "priority": 1,
      "description": "解决方案描述",
      "steps": ["步骤1", "步骤2"],
      "estimated_time": "预计时间",
      "risk": "风险评估"
    }
  ],
  "prevention": ["预防措施1", "预防措施2"]
}