AIOps 通用 Agent 探索（Simple）

供稿来自：@秦皓

背景说明

目前我们使用 Cursor 时，除了编码外在诸如需求分析、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下也会借助它进行工作提效。同时在通过与开发、测试和运维团队的交流讨论之后，我们整理出了基于 AI 的研发全流程，如下图所示：

可以看到 AI 贯穿于我们的研发整个流程，但在绝大部分场景下，会因为 Cursor 局限在单机设备上，无法方便地与我们现有的系统进行集成。为每个场景开发独立的 Agent 非常耗费人力，DevOps 流程本身并不像业务流程要求特别精细（特别是偏向分析、问题排查或总结报告等场景），基于对大模型智能会持续提升的信念，通过践行 Manus 提倡的更少结构，更多智能（Less structure, more intelligence ）的理念，我们进行了开发一个 AIOps 通用 Agent 的探索。

预期目标

使用 ReAct 框架，参照（并简化）Manus 架构和 Cursor/Cline 开发一个 AIOps 通用 Agent，我们的目标是通过完善 Prompt + LLM（Agent）+ Tools + Workspace 的方式实现 DevOps 流程的落地。

✨✨ 实现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✨✨

下文我将先先对本文用到的主要相关理论进行简单阐述，然后介绍 AIOps 通用 Agent 的设计实现方案，AI MR 场景实践效果，最后对未来的形态进行展望。

相关理论及开发框架

更少结构，更多智能

Less structure, more intelligence（更少结构，更多智能）是 3 月份大火的 Manus 背后的设计理念，这一理念强调 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。根据网上对 Manus 的拆解，其核心是基于推理-行动-观察的 ReAct 模型，架构图大致如下：

ReAct 框架简介

ReAct（Reasoning and Action）是一个框架，其概念来源于一篇https://arxiv.org/pdf/2210.03629（简版：https://react-lm.github.io/），其核心思想是通过思维链的方式，引导模型将复杂问题进行拆分，一步一步地进行推理（Reasoning）和行动（Action），同时还引入了观察（Observation）环节，在每次执行之后，都会先观察当前现状，然后再进行下一步的推理。

ReAct 这个框架，就是要让开发者一步步引导 LLM 进行推理，然后根据推理的结果，判断采取哪个行动，并生成最终产物。

其伪代码如下：

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

Eino ReAct Agent

Eino 框架是字节跳动开源的一个 LLM 应用开发框架，提供了一个强调简洁性、可扩展性、可靠性与有效性，且更符合 Go 语言编程惯例的 LLM 应用开发框架。Eino ReAct Agent 是实现了 ReAct 逻辑 的智能体框架，用户可以用来快速灵活地构建并调用 ReAct Agent。

AIOps  通用 Agent

仓库地址：https://codeup.aliyun.com/qimao/public/aiops/aiops。

架构设计

整体架构包括：

1. 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

2. 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
• Agent 运行环境管理（基于 Docker）

3. 其他

• 使用 Langfuse 进行 LLM 调用监控
• 使用 Bashly 封装常用的依赖工具

核心流程

一次 Agent 运行的核心流程如下：

组件说明

我们从上面的架构和流程图中，抽象出以下几个组件：

本文后续将以代码 MR 报告总结为例进行展开，我们提供 Codeup 相关命令行依赖（codeup），通过使用系统提示词定义一个 MR 评审总结核心流程，来实现让 AI 进行代码评审报告的能力。

提示词（Prompt）

提示词（Prompt）是我们最终需要关注的部分，随着 LLM 大模型能力的提升，相信我们的主要工作将以编写提示词为主，以后整个 AIOps Agent 的核心部分就是提示词的编写（流程的制定）。

在合并请求（MR）场景中，我们通过提供（codeup 和其他常用个 shell 命令：git 、jq 等依赖），再编写以下系统提示词，实现一个 MR 报告生产 Agent：

使用 codeup 或 git 和 jq 等常用 bash 终端命令（我已经为你完成 codeup 命令的权限认证），请按照以下步骤审查进行 Codeup 合并请求（MR）审查。你需要在指定的代码仓库 /var/aiops/repos/${{repod_id}} 中处理相关 git 命令。

<detailed_sequence_of_steps>
# Codeup MR 审查流程 - 详细步骤

## 1. 收集 MR 信息
1. 获取 MR 的明细
  ```bash
  codeup mr get ${{repo_id}} ${{local_id}}
  ```

## 2. 理解上下文
1. 获取 MR 的完整变更文件树：
  ```bash
  codeup mr tree ${{repo_id}} ${{local_id}}
  ```
2. 使用 codeup repo file 命令查看特定分支上的文件内容：
  ```bash
  codeup repo file ${{repo_id}} ${{file_path}} --ref ${{branch}} | jq -r '.content' | base64 -d
  ```

## 3. 分析变更
分析本次变更主要：
- 修改了什么（总结几个点）
- 对整体仓库的影响
- 潜在的缺陷或问题
- 概括审查结果

## 4. 追加代码评审描述
对整个代码变更进行代码评审描述的更新（**这个步骤一定要执行，描述中的内容要求保持换行**）：
  ```bash
  codeup mr update ${{repo_id}} ${{local_id}} --description '【原始的代码评审描述】
  \n
  【更新时间】
  【新的代码评审总结内容】'
  ```
</detailed_sequence_of_steps>

<common_codeup_commands>

# 用于 MR 审查的常用 Codeup CLI 命令，以及对应的返回格式

##  基本命令示例及返回格式

```bash
# 获取合并请求详情
$ codeup mr get 3394535 211
{
  "id": 211,
  "title": "fix: update Add function call to lowercase add",
  "description": "1 【更新时间】2025-06-10 11:02 代码审查完成：1. 发现2处潜在边界条件问题需补充测试 2. 存在3个魔法数字需要常量化 3. 所有反馈已通过行间评论标注",
  "state": "UNDER_REVIEW",
  "source_branch": "feat/cr",
  "target_branch": "master",
  "author": "秦皓",
  "created_at": "2025-05-13T09:21:16+08:00",
  "updated_at": "2025-06-10T11:02:52+08:00",
  "conflict_status": null,
  "reviewers": [
    {
      "name": "秦皓",
      "status": null,
      "reviewed": false,
      "review_time": null
    }
  ],
  "comment_count": 8,
  "unresolved_comment_count": 8,
  "url": "https://codeup.aliyun.com/qimao/public/devops/demo/change/211"
}


# 获取合并请求变更文件树
$ codeup mr tree 3394535 211
{
  "changedTreeItems": [
    {
      "aMode": "100644",
      "addLines": 13,
      "bMode": "100644",
      "delLines": 1,
      "deletedFile": false,
      "isBinary": false,
      "newFile": false,
      "newObjectId": "33eb73b5a624d113763f5d1ac5746d9e2da241db",
      "newPath": "README.md",
      "oldObjectId": "3ff86afe4fad6809ee9e1b7f5c3352712ff821e3",
      "oldPath": "README.md",
      "readStatus": "INIT",
      "renamedFile": false
    },
    {
      "aMode": "100644",
      "addLines": 0,
      "bMode": "0",
      "delLines": 9,
      "deletedFile": true,
      "isBinary": false,
      "newFile": false,
      "newObjectId": "0000000000000000000000000000000000000000",
      "newPath": "main.go",
      "oldObjectId": "90c6869506feed59a97b60ca92bb17db95bf09d2",
      "oldPath": "main.go",
      "readStatus": "INIT",
      "renamedFile": false
    }
  ],
  "count": 2,
  "totalAddLines": 47,
  "totalDelLines": 22
}

# 获取合并请求补丁集列表
$ codeup mr patches 3394535 211
[
  {
    "version_no": 1,
    "patch_set_name": "版本1",
    "patch_set_id": "0a7c40a77e1e42fe8a4659340c48a2b9",
    "commit_id": "747053544a3f08cce4de0c8fdc976f8f1ca90d76",
    "short_commit_id": "74705354",
    "create_time": "源分支"
  },
  {
    "version_no": 1,
    "patch_set_name": "Base",
    "patch_set_id": "7a4c707968a0483fa7df52ab7a2500c2",
    "commit_id": "07ab2d3dc2c2800b5e76656c02edc1bd44f67221",
    "short_commit_id": "07ab2d3d",
    "create_time": "目标分支"
  }
]
```

## 差异和文件命令

```bash
# 查看 master 分支上的文件内容：
$ codeup repo file 3394535 main.go --ref master 
{
  "blobId": "90c6869506feed59a97b60ca92bb17db95bf09d2",
  "commitId": "07ab2d3dc2c2800b5e76656c02edc1bd44f67221",
  "content": "cGFja2FnZSBtYWluCgppbXBvcnQgKAoJImNvZGV1cC5hbGl5dW4uY29tL3FpbWFvL3B1YmxpYy9kZW1vL2FwcCIKKQoKZnVuYyBtYWluKCkgewoJYXBwLlJ1bigpCn0K",
  "encoding": "base64",
  "fileName": "main.go",
  "filePath": "main.go",
  "lastCommitId": "02989c2393215ea6b8bf68af09439b85e0ef2d69",
  "ref": "master",
  "size": "96"
}

# 读取文件具体内容
$ codeup repo file 3394535 main.go --ref master | jq -r '.content' | base64 -d
package main

import (
        "codeup.aliyun.com/qimao/public/demo/app"
)

func main() {
        app.Run()
}
```

## 审查命令（创建合并请求评论）

```bash
#  更新合并请求描述（**保持换行**）
codeup mr update 3394535 211 --description '原始评论

${{date_time}}【评审更新】
## 代码评审总结 

### 主要变更 

1. **代码结构重构**：将计算功能从 app 包分离到独立的 calc 包，提升代码模块化程度 
2. **文件重组**：app/app.go → app/calc/calc.go, app/app_test.go → app/calc/calc_test.go, 删除根目录 main.go，新增 app/main.go 
3. **函数规范化**：私有函数 divide/multiply 修改为导出函数 Divide/Multiply 
4. **功能增强**：新增命令行计算器功能，支持四则运算演示 

### 对项目的影响 
- **正面影响**：改善了代码组织结构，计算逻辑与应用逻辑分离，便于维护和测试 
- **兼容性**：删除了原有的 Run() 函数，但通过新的 main.go 提供了更实用的命令行界面 

### 发现的问题 
🚨 **严重问题**：app/main.go 第22行存在函数调用错误 
- 当前代码：calc.add(a, b) 
- 应修正为：calc.Add(a, b) 
- 影响：程序无法正常编译运行 

### 建议 
1. **必须修复**：修正 app/main.go 中的函数调用错误 
2. **代码质量**：添加错误处理逻辑，当前 strconv.Atoi 的错误被忽略 
3. **测试覆盖**：建议为新增的 main.go 添加集成测试 

### 审查结果 
- ✅ 代码架构设计合理 
- ✅ 测试用例完整迁移 
- ❌ 存在编译错误需修复 
- ⚠️ 缺少错误处理机制
'

# 创建全局评论：
codeup mr comment add 3394535 211 "代码看起来不错"

# 对于严重缺陷创建行内评论：
codeup mr comment add 3394535 211 "这里需要修改" \
  --type INLINE_COMMENT \
  --file /src/main.go \
  --line 42 \
  --from-patch abc \
  --to-patch def \
  --patch abc
```

</common_codeup_commands>

<final_result>
最终输出格式保持如下：

```markdown
# 评审总结（${{repo_id}}-${{local_id}}
${{date_time}}【评审总结】,MR 地址：${{url}}。

## 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 5 个文件变更（47行新增，22行删除）
  - 主要是代码结构重构和模块分离

3. **✅ 分析变更内容**
  - **代码结构重构**：将计算功能分离到独立的 calc 包
  - **文件重组**：重命名和移动多个文件
  - **功能增强**：新增命令行计算器功能

4. **✅ 发现关键问题**
  - 🚨 **严重问题**：`app/main.go` 第22行函数调用错误
  - 当前：`calc.add(a, b)` 
  - 应为：`calc.Add(a, b)`

## 🎯 关键建议：
1. **必须修复**：函数调用错误，否则程序无法编译
2. **代码质量**：添加错误处理逻辑
3. **测试覆盖**：为新功能添加集成测试

✨
```

</final_result>

<requirements>
- 忽略以 "md,mdc,yaml,json" 等后缀结尾的文档

</requirements>

<params>
核心参数: 
- repo_id: 仓库 ID
- local_id: 合并请求 ID

其他参数：
- file_path: 具体需要查看的文件
- branch: 具体需要查看文件的分支
- date_time: 当前时间，格式："2025/06/06 13:10:11"，使用 date 命令获取
- url: 在 codeup mr get 中的返回值中
</params>

LLM（ReAct Engine）

我们基于字节开源的 Eino 框架实现通用的 ReAct Agent 引擎，之后便可基于它加上：

• 系统提示词
• 工具列表
• 执行环境

迅速运行一个 Agent 实例。React Engine 核心代码（仅 100 行余行）：

package engine

import (
        "context"
        _ "embed"
        "errors"
        "fmt"
        "io"
        "strings"

        "aiops/internal/engine/tools"

        "github.com/cloudwego/eino-ext/callbacks/langfuse"
        "github.com/cloudwego/eino-ext/components/model/qwen"
        "github.com/cloudwego/eino/callbacks"
        "github.com/cloudwego/eino/components/tool"
        "github.com/cloudwego/eino/compose"
        "github.com/cloudwego/eino/flow/agent/react"
        "github.com/cloudwego/eino/schema"
)

type Engine struct {
        model *qwen.ChatModel // LLM 大模型
        tools []tool.BaseTool // 工具

        systemPrompt string // 系统提示词

        lfCfg *langfuse.Config // Langfuse 观测 LLM 调用链路
}

func NewEngine(systemPrompt string, chatModel *qwen.ChatModel, lfCfg *langfuse.Config, _ []tool.BaseTool) (*Engine, error) {
        return &Engine{
                model:        chatModel,
                tools:        tools.GetAllTools(),
                lfCfg:        lfCfg,
                systemPrompt: systemPrompt,
        }, nil
}

func (a *Engine) Run(userPrompt string) (result string, err error) {
        cbh, flusher := langfuse.NewLangfuseHandler(a.lfCfg)
        defer flusher() // 等待所有 trace 上报完成后退出

        callbacks.AppendGlobalHandlers(cbh) // 设置 langfuse 为全局 callback

        // 生产 Agent 实例
        ctx := context.Background()
        ragent, err := react.NewAgent(ctx, &react.AgentConfig{
                ToolCallingModel: a.model,
                ToolsConfig: compose.ToolsNodeConfig{
                        Tools: a.tools,
                },
                MaxStep: 40,
        })
        if err != nil {
                return "", fmt.Errorf("failed to create agent: %w", err)
        }

        // 流式调用
        sr, err := ragent.Stream(ctx, []*schema.Message{
                {
                        Role:    schema.System,
                        Content: a.systemPrompt, // 系统提示词
                },
                {
                        Role:    schema.User,
                        Content: userPrompt, // 用户提示词
                },
        })

        if err != nil {
                return "", fmt.Errorf("failed to stream: %w", err)
        }

        defer sr.Close() // remember to close the stream

        // 获取最终返回结果
        var buf = strings.Builder{}
        for {
                msg, err := sr.Recv()
                if err != nil {
                        if errors.Is(err, io.EOF) {
                                // finish
                                break
                        }
                        // error
                        return "", fmt.Errorf("failed to recv: %w", err)
                }

                buf.WriteString(msg.Content)
        }

        // 返回结果
        return buf.String(), nil
}

ReAct Agent 实现细节可参考文档：Eino: ReAct Agent 使用手册。

工具（Tools）

Tool 提供了 LLM 执行具体任务的能力，在生成 MR 报告场景中，我们在提示词提供了多个 shell 命令，所以我们仅提供一个 bash_command 的命令，用于执行 shell 命令即可:

// ToolBash Bash 命令执行工具
type ToolBash struct{}

// Info 返回工具信息
func (t *ToolBash) Info(ctx context.Context) (*schema.ToolInfo, error) {
        return &schema.ToolInfo{
                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",
                ParamsOneOf: schema.NewParamsOneOfByParams(map[string]*schema.ParameterInfo{
                        "command": {
                                Type:     "string",
                                Desc:     "要执行的 bash 命令，支持管道、重定向等 shell 特性",
                                Required: true,
                        },
                        "working_dir": {
                                Type:     "string",
                                Desc:     "命令执行的工作目录，可选，默认为当前目录",
                                Required: false,
                        },
                        "timeout_seconds": {
                                Type:     "number",
                                Desc:     "命令执行超时时间（秒），可选，默认为 30 秒",
                                Required: false,
                        },
                        "environment": {
                                Type:     "object",
                                Desc:     "附加的环境变量，格式为 key-value 对象，可选",
                                Required: false,
                        },
                }),
        }, nil
}

此处的工具指的是 ReAct 框架需要的需要的工具。在运行 Docker 时，我们还会提到提示词中使用的如 codeup、git、jq 等命令行工具，这些工具我们称之为运行时依赖。

执行环境（Workspace）

执行环境（Workspace）是 Agent 实际运行的环境，我们使用独立 Docker 容器了隔离 Agent 运行，以保障执行环境的可靠性。在运行 Docker 时，将用户定义的运行时依赖（如 codeup、git、jq 等命令行工具）、Codebase 或者文件数据（通过磁盘卷挂载的方式）安装到容器中。

核心代码：

        // 创建沙箱实例
        sandbox, err := sandbox.NewDockerSandbox(context.Background(), &sandbox.Config{
                VolumeBindings: a.volumes,             // 挂载 codebase 等数据卷
                Env:            a.envs,                // 环境变量
                Image:          "aiops-sandbox:latest", // 镜像，包含完整运行时依赖
                WorkDir:        "/workspace",           // 定义 workspace 
                MemoryLimit:    512 * 1024 * 1024,
                CPULimit:       1.0,
                NetworkEnabled: true,
                Timeout:        30 * time.Minute,
        })
        if err != nil {
                log.Printf("创建沙箱失败：%v\n", err)
                return nil, fmt.Errorf("创建沙箱失败: %w", err)
        }

        // 创建容器
        err = sandbox.Create(context.Background())
        if err != nil {
                log.Printf("创建沙箱失败：%v\n", err)
                return nil, fmt.Errorf("创建沙箱失败: %w", err)
        }
        defer sandbox.Cleanup(context.Background())

Agent 定义

暂时未开发 Web UI 管理界面，我们可以通过等价的 YAML 格式了解一个 Agent 定义可以有多简单：

// 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，涉及时间的问题，应该用命令行工具获取当前最新时间，如果无法访问互联网，使用你已有的知识给出回答，并最终将答案输出给用户。"
  report_path: "aiops/reports/default"

// 合并请求 Agent
- id: "code_review" 
  name: "Code Review"
  async: true
  system_prompt_doc: "task_cr.md"
  system_prompt: ""
  user_prompt: ""
  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"
  user_prompt_params:
    - param: "repo_id"
      value: ${{repo_id}}
    - param: "local_id"
      value: ${{local_id}}
    - param: "repo_url"
      value: ${{repo_url}}
  tools:
    - "codebase"
  envs:
    "API_KEY": "pt-xxxx"
  volumes:
    "/var/aiops/repos/${{repo_id}}": "/workspace/src"
  pre_shell: ""
  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}}/"

场景效果（MR 报告）

我们通过代码合并请求（MR）总结报告为例，使用相同的提示词，AIOps 通用 Agent 得出的报告与 Cursor 得出的报告质量几乎一致。

核心价值

通过对生成合并请求（MR）报告场景的实践，我们认为 AIOps 通用 Agent 是一个值得持续探索的方向，让我们能在尽可能减少人力投入的同时，让我们方便快捷地在现有流程中集成 AI 的能力。主要表现在：

1. 简单高效：通过使用 Markdown 提示词定义业务流程的方式，即可快速实现某个特定 DevOps 场景下的分析报告、问题排查甚至自动修复等 AI Agent 能力。
2. 隐私安全：通过自研开发的方式，我们可以完全控制代码或数据不会被泄露。
3. 易于集成：通过暴露标准 Open API 的方式，可以快速在第三方系统中进行集成调用，无缝接入到现有的各个系统中。
4. 异步处理：通过暴露 API 接口共第三方系统集成，或者设置定时运行 Job，能够实现异步、周期行处理工作，减少人工操作，实现自动化。
5. 集中管理：通过脱离 Cursor IDE 环境（云端化）并进行集中管理设置的方式，提高了团队工作成果的可复用性，一人开发，全员受益。
6. 贴合自身：通过自研开发的方式，我们可以基于我们七猫自身团队的流程特性进行定制设计，效率更高，品质更有保障。

未来展望

1. 搭建管理平台，实现 Web UI 管理，能够更加直接方便的管理提示词、工具、报告、参数（数据、文件或代码仓库）、依赖（Docker 中的工具）、对外暴露的 API 能力等。
2. 随着技术的进一步提升与功能需求的不断丰富，也希望在架构上进行升级，提供如多 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. 通过在 AIOps 流程中的持续探索和成熟之后，我们也希望将这一套方案迁移到我们七猫的业务中，开发对应的业务通用 Agent、数据通用 Agent 等。

参考链接

1. 95. 对Manus创始人肖弘的3小时访谈：世界不是线性外推，做博弈中的重要变量
2. Manus 的调研与思考 | Why·Liam·Blog
3. 04｜提示工程：更好地释放LLM的能力-程序员的AI开发第一课-极客时间
4. https://react-lm.github.io/
5. https://www.promptingguide.ai/zh/techniques/react
6. https://github.com/cline/cline/blob/main/.clinerules/workflows/pr-review.md
7. Linux 文本三剑客超详细教程：grep、sed、awk