下一代运维平台，夯爆了。
告警响了。
以前的处理方法大体上是这样的：
先确定是哪个服务异常，然后打开 Grafana 查看指标，切换到 Loki 查看日志，最后进入 Tempo 查看调用链。
每一步都没什么问题。
真正麻烦的是，这些信息全散在不同地方。
一次普通的故障排查，十几分钟就算很快了，复杂的要折腾几个小时也很常见。
最近在 GitHub 上看到一个项目，我觉得这个思路挺有意思。
它叫 ongrid，定位是一个理解基础设施的 AI 运维 Agent。
不是再做一个聊天机器人了，而是把 Prometheus、Loki、Tempo、Grafana 等工具连接起来。
然后让Agent直接参与到排障中来。
你甚至可以在 Slack、钉钉、飞书、Telegram 里问它：
为什么订单接口突然变慢？
后面的查询指标、翻日志、查调用链、整理证据，都交给 Agent 自己完成。
根因分析 RCA
我觉得 ongrid 最值得关注的，就是它的 RCA 根因分析。
传统的监控很会告诉你哪里报警了，但是不太会直接告诉你为什么报警。
比如 CPU 突然升高，Grafana 可以把曲线画出来，但是原因还需要继续查。
是由于代码出现了死循环、数据库被阻塞，还是因为流量突然增加？
ongrid 会把指标、日志和调用链串起来，让 Agent 自己继续调查。
最后还会输出一份有证据的RCA报告，而不能只总结几条日志。
我认为这很关键。
它不是让模型看日志来猜原因，而是让Agent自己去寻找证据。
内部还可以拆分不同调查任务，让不同 Agent 分别分析服务、数据库和网络。
最后把结果汇总一下，思路也就差不多接近于真实的运维团队了。
另外还有技能目录、MCP服务器
Skills Catalog 就是Agent的技能清单，可以看到它现在会什么、可以调用哪些能力。
MCP Servers 负责接收来自外部的工具，如数据库、Git、监控系统等。
一个管技能，一个管工具。
这样 Agent 能干什么、能调用什么，管理员都能看得清楚。
告警来了，Agent 自己开始查
传统的告警一般只告诉你：
CPU 使用率大于 90%。
剩下的事情，就全部交给值班工程师。
ongrid 在告警被触发之后会自动创建Incident，并且启动调查任务。
Agent 会继续查询相关数据，并生成 RCA。
最后把结果同步到IM群里。
比如说凌晨的时候数据库连接出现了问题，值班人员接收到的就不仅仅是“服务异常”这么简单的一句话。
一份包含异常时间、影响服务、相关日志以及可能原因的调查结果。
以前是：
告警→人工查数据→人工分析→人工定位。
现在变成：
告警 → Agent 调查 → 人确认。
我认为这才是 AI 运维最有趣的地方。
不用自己切十几个页面
ongrid 还把 Prometheus、Loki、Tempo、Grafana 等观测工具串联起来。
以前查一个接口延迟，要自己写PromQL、再写LogQL、最后切到Grafana看链路。
现在可以告诉它：
查看各个服务器的CPU、内存使用情况。
Agent 会自己生成查询，并且根据结果继续往下查。
对于熟悉监控工具的老运维来说，可能就省去了几步操作。
但是对于新人们来说，变化就比较明显了。
以前要问去哪里查，现在只要说想要知道什么就可以了。
IM 也能变成运维入口
其实也符合企业实际的情况。
很多人不会一直盯着Grafana，但是每天都会打开飞书、钉钉或者企业微信。
所以 ongrid 把这些 IM 也变成了运维入口。
你可以在群里直接问：
查看一下数据库连接池。
Agent 去查，然后又回到群里。
这样比记下很多监控地址和查询语法要容易得多。
它还能开始动手
ongrid 不仅要负责看数据，还要参与实际的运维操作。
比如 Kubernetes 管理，除了查看集群状态之外，还可以对工作负载和事件进行分析。
包括 scale、restart、cordon、drain 等操作。
当然，这里我反而更关注它的限制。
涉及生产环境的操作，不应该让 AI 想怎么改就怎么改。
写操作要经过管理员的授权。
AI 可以帮你执行，但最终权限还是应该掌握在人手里。
网络设备也能一起看
除了服务器和Kubernetes之外，它还可以用SNMP来发现交换机、路由器和防火墙。
Edge Agent 在收集到设备信息之后还可以把网络关系展示出来。
小团队体会不到。
但是大企业里设备很多，可以让 Agent 同时理解服务器和网络拓扑，价值就不同了。
安全这块，我反而比较关注
这类 AI 运维工具最怕为了方便，最后给服务器开一堆入口。
ongrid 的做法是让 Edge Agent 主动去外联。
被管理的服务器不需要直接开放入站端口。
同时，在浏览器访问服务器的时候也可以做操作审计。
对企业而言，这样的设计会更安全一些。
因为AI能不能帮你查故障是另一回事。
你敢不敢让它去碰生产环境，又是另外一回事。
注意事项也说一下
项目本身比较新，更新速度很快。
想用在生产环境一定要严格测试和学习，注意权限的分配和控制。
写在最后
我比较关注on-grid，并不是因为它又接入了几个监控工具。
而是它开始改变一个很老的运维流程。
以前是人去找监控数据。
现在是Agent根据问题自己去寻找证据。
表面上只是少切几个页面，但是背后的变化其实很大。
未来运维工程师可能不会消失。
注：转载文章来源于网络，版权归原作者或企业所有，侵删！