AIOps 通用 Agent 探索

学习来源：AIOps 通用 Agent 探索（Simple） - @秦皓

一、背景与目标

背景

在使用 Cursor 进行研发时，除了编码外，还会在需求分析、技术文档编写、代码评审、代码部署调试、线上日志分析等场景借助 AI 进行提效。AI 贯穿研发整个流程，但 Cursor 局限在单机设备上，无法方便地与现有系统集成。为每个场景开发独立 Agent 非常耗费人力。

核心理念

践行 Manus 提倡的"更少结构，更多智能"（Less structure, more intelligence） 理念，通过完善 Prompt + LLM（Agent）+ Tools + Workspace 的方式实现 DevOps 流程的落地。

目标：让用户通过提示词定义具体流程，就能快速实现某个流程的 AI 自动化集成。

二、相关理论

2.1 Less Structure, More Intelligence

这是 Manus 背后的设计理念，强调 Manus 能够自主执行复杂的多步骤任务，几乎无需人工干预，注重灵活性和智能适应，而不是依赖预设的流程或结构。

2.2 ReAct 框架

ReAct（Reasoning and Action）来源于论文 arxiv.org/pdf/2210.03629，核心思想是通过思维链方式，引导模型将复杂问题拆分，一步一步地进行：

• Reasoning（推理）：思考当前状态
• Action（行动）：基于推理结果采取行动
• Observation（观察）：观察行动结果，然后进入下一步推理

伪代码：

while not task_finished:
    thought = model.reason(context)
    action = model.act(thought)
    observation = environment.execute(action)
    context.update(observation)

2.3 Eino ReAct Agent

Eino 框架是字节跳动开源的 LLM 应用开发框架，提供了简洁性、可扩展性、可靠性与有效性的 Go 语言 LLM 应用开发框架。

Eino ReAct Agent 实现了 ReAct 逻辑，用户可以用来快速灵活地构建并调用 ReAct Agent。

三、架构设计

3.1 整体架构

┌─────────────────────────────────────────────────────────────┐
│                     管理平台（暂无）                          │
│  - 用户基于场景对任务进行管理                                  │
│  - 对外提供 API，用于系统集成                                  │
│  - 定义周期性调用的 Job                                       │
│  - 任务运行的报告                                             │
├─────────────────────────────────────────────────────────────┤
│                  AIOps 通用 Agent                            │
│  - 封装了核心的 LLM（ReAct Engine）                           │
│  - 提供 LLM 具体需要使用的工具（Tools）                        │
│  - Agent 运行环境管理（基于 Docker）                          │
├─────────────────────────────────────────────────────────────┤
│  - 使用 Langfuse 进行 LLM 调用监控                            │
│  - 使用 Bashly 封装常用的依赖工具                              │
└─────────────────────────────────────────────────────────────┘

3.2 核心组件

提示词（Prompt）

Prompt 是最终需要关注的部分，随着 LLM 能力的提升，主要工作将以编写提示词为主。AIOps Agent 的核心就是提示词的编写（流程的制定）。

LLM（ReAct Engine）

基于 Eino 框架实现通用 ReAct Agent 引擎，加上系统提示词、工具列表、执行环境，迅速运行一个 Agent 实例。

核心代码仅约 100 行，实现了：

• 基于 react.NewAgent 创建 Agent 实例
• 流式调用并获取最终返回结果
• 支持 Langfuse 回调进行 LLM 调用链路追踪

工具（Tools）

Tool 提供了 LLM 执行具体任务的能力。在 MR 报告场景中，仅需提供一个 bash_command 工具来执行 shell 命令。

ToolBash 工具定义示例：

• Name: bash_command
• Desc: 执行 Bash 命令行指令，支持执行各种 shell 命令、脚本和系统操作
• Params: command（必填）、working_dir、timeout_seconds、environment

注意：这里说的是 ReAct 框架需要的工具（BaseTool），运行时依赖（如 codeup、git、jq 等命令行工具）则通过 Docker 镜像提供。

执行环境（Workspace）

使用独立 Docker 容器隔离 Agent 运行环境：

• 将运行时依赖（如 codeup、git、jq）安装到容器中
• Codebase 或文件数据通过磁盘卷挂载
• 核心配置：MemoryLimit 512MB、CPULimit 1.0、NetworkEnabled、Timeout 30min

四、核心流程

一次 Agent 运行的核心流程：

1. 用户通过 API 传入参数（如 repo_id、local_id）
2. 系统根据参数组装用户提示词（user_prompt）
3. 加载对应的系统提示词（system_prompt）
4. 创建 Docker 沙箱实例，挂载 Volume
5. ReAct Engine 执行推理循环（Reasoning → Action → Observation）
6. 执行完成后生成报告，返回结果

五、Agent 定义

通过 YAML 格式定义 Agent 示例：

# 默认的通用 Agent
- id: "default"
  name: "默认通用 Agent"
  system_prompt: "你是一个无所不知的助手，请根据用户的问题给出回答..."
  report_path: "aiops/reports/default"

# 合并请求 Agent
- id: "code_review"
  name: "Code Review"
  async: true
  system_prompt_doc: "task_cr.md"  # 从文件加载系统提示词
  user_prompt_template: "请为我给 repo_id=${{repo_id}}, local_id=${{local_id}} 的合并请求进行代码评审"
  tools: ["codebase"]
  volumes: "/var/aiops/repos/${{repo_id}}": "/workspace/src"
  post_shell: "codeup mr comment add ${{repo_id}} ${{local_id}} 'AI 代码评审报告: ${{report_url}}'"
  report_path: "aiops/mr/reports/${{repo_id}}/${{local_id}}/"

六、场景实践：MR 报告总结

场景描述

通过提供 codeup CLI 工具，结合系统提示词定义 MR 评审流程，实现 AI 自动进行代码评审报告的能力。

核心提示词设计

提示词定义了以下流程：

1. 收集 MR 信息（codeup mr get）
2. 理解变更上下文（codeup mr tree + repo file）
3. 分析变更内容（修改了什么、影响、潜在缺陷）
4. 追加代码评审描述（codeup mr update）

关键设计：Common Commands 模板

在提示词中嵌入常用命令的返回格式示例，让 AI 理解如何解析命令输出：

# codeup mr get 返回格式
codeup mr get 3394535 211
# -> 返回 JSON 包含 id, title, state, source_branch, target_branch, author 等

# codeup mr tree 返回格式
codeup mr tree 3394535 211
# -> 返回变更文件树，包含 addLines, delLines, newPath 等

最终输出格式

# 评审总结（${{repo_id}}-${{local_id}}）

## 评估结论
✅ 建议合并 | 🧰 修复问题后合并 | ❌ 不建议合并

## 📋 评审流程总结
1. **✅ 收集 MR 信息** - MR 标题、状态、分支
2. **✅ 理解变更上下文** - 共涉及 N 个文件变更
3. **✅ 分析变更内容** - 代码结构重构、文件重组等
4. **✅ 发现关键问题** - 🚨 严重问题列表

## 🎯 关键建议
1. 必须修复的问题
2. 代码质量建议
3. 测试覆盖建议

七、核心价值

价值点	说明
简单高效	通过 Markdown 提示词定义业务流程，快速实现特定 DevOps 场景的 AI Agent 能力
隐私安全	自研开发，完全控制代码或数据不被泄露
易于集成	暴露标准 Open API，可快速在第三方系统中集成调用
异步处理	支持 API 集成或定时 Job，实现异步、周期性处理工作
集中管理	脱离 Cursor IDE 环境（云端化）并集中管理，一人开发全员受益
贴合自身	基于团队自身流程特性定制设计，效率更高，品质更有保障

八、未来展望

1. 搭建管理平台：实现 Web UI 管理，统一管理提示词、工具、报告、参数、依赖、API 能力等
2. 架构升级：多 Agent 协同、记忆与上下文管理、交互数据和任务反馈等更丰富的能力
3. 业务迁移：将 AIOps 方案迁移到七猫业务中，开发业务通用 Agent、数据通用 Agent 等

九、参考资源

• Manus 调研与思考
• ReAct 框架论文
• Eino 框架文档
• Prompting Guide - ReAct
• Cline PR Review Workflow