夜雨聆风点击关注《DevOps运维民工》公众号，将获取更多AI干货
介绍
上周我在整理 AI 运维工具清单时，随手搜了搜 GitHub 上的相关项目。在「运维 +AI」这个分类下，一个名字叫 NightMend 的小众项目进入了我的视线。它的一些特点让我产生了好奇：
声称是开源 AI 运维平台
内置 MCP 集成
主打自动修复而不仅仅是告警
说实话，起初我并不抱太大期望。类似的项目我见过不少，大多数要么是 PPT 级别的 demo，要么是噱头大于实用。但我决定花半小时简单看看——反正不亏时间。结果，我被它的设计理念和真实功能打动了。
解决哪些痛点
如果你做过运维，一定经历过这些场景：
凌晨 3 点收到磁盘告警，爬起来 登录服务器，手动清理日志，结果发现是某个服务在疯狂写日志，还得继续排查原因
CPU 飙高，排查半天发现是某个死循环，重启后暂时恢复，第二天又发生，根本找不到根因
Prometheus+Grafana 每天几百条告警，80% 是误报，值班工程师被「告警疲劳」折磨到崩溃
企业级监控工具价格不菲，但还是需要人工分析、人工修复，AI 功能都是「选配」
NightMend 的核心理念：监控不仅仅是告诉你「哪里出了问题」，更重要的是「帮你修好」。
核心能力
1. AI 根因分析
传统方式：看到「磁盘 95%」告警，只能手动 SSH 登录，用 df -h、du -sh * 等命令一步步排查，找到根因可能是某个服务的日志文件在膨胀。NightMend 方式：告警触发后，系统调用 DeepSeek API，结合日志、指标、拓扑图进行关联分析，直接返回根因和建议操作。实际效果：从告警到分析完成，平均耗时 30 秒以内，比人工排查节省大量时间。
2. AI 自动修复
这是 NightMend 比较特别的功能。它内置了一些开箱即用的 Runbook：
Runbook | 功能 | 适用场景 |
|---|---|---|
disk_cleanup | 磁盘清理 | 清理临时文件、旧日志、缓存 |
log_rotation | 日志轮转 | 日志文件过大，自动切割压缩 |
service_restart | 服务重启 | 服务无响应，优雅重启 |
memory_pressure | 内存压力缓解 | 释放缓存、重启内存泄漏进程 |
zombie_killer | 僵尸进程清理 | 清理僵尸进程 |
connection_reset | 连接重置 | 数据库/服务连接池异常 |
告警触发 → AI 分析根因 → 选择对应 Runbook → 人工审批 → 自动执行 → 问题解决
安全机制：
所有修复任务默认进入「待审批」状态，管理员确认后方可执行
支持 dry_run 模式，先模拟执行验证逻辑，不实际操作
高风险操作（如重启服务）需二次确认
3. MCP 集成
MCP（Model Context Protocol）是 AI 工具调用的标准化协议，允许 AI 助手直接查询外部系统数据。NightMend 的 MCP 能力：
工具 1: get_servers_health # 获取所有服务器实时健康状态工具 2: get_alerts # 查询历史告警工具 3: search_logs # 搜索生产日志工具 4: analyze_incident # AI 驱动根因分析工具 5: get_topology # 检索服务依赖拓扑图
实际使用场景：
在 AI 编程助手聊天框中输入："显示 prod-server-01 上的所有严重告警"AI 助手会自动调用 NightMend 的 MCP 接口，返回实时数据，并给出分析建议。
部署
# 1. 克隆仓库git clone https://github.com/LinChuang2008/nightmend.gitcd nightmend# 2. 配置密钥cp .env.example .env# 填入 DeepSeek API Key（必须）# 修改数据库密码和 JWT 密钥（生产环境必须）# 3. 启动docker compose up -d# 4. 访问浏览器打开 http://localhost:3001# 首次注册的账号自动成为管理员
部署耗时：
首次构建：15-30 分钟（构建镜像、初始化数据库）
后续启动：2 分钟
主要功能模块
1. 仪表盘（Dashboard）
健康评分：系统综合计算整体健康度（0-100 分），直观展示环境状态
实时推送：通过 WebSocket 连接，指标数据实时刷新，无需手动刷新
趋势图表：CPU、内存、磁盘、网络等关键指标的时序趋势图
2. 告警中心（Alerts）
支持三种告警规则：
指标告警：如 CPU > 90% 持续 5 分钟
日志关键字告警：如日志中出现 "OutOfMemory"
数据库告警：如连接数 > 500、慢查询数量 > 10
核心亮点：
AI 根因分析：点击告警条目的「AI 分析」按钮，系统自动返回根因和建议操作
告警降噪：配置冷却期，同一告警在 10 分钟内不重复发送
多渠道通知：钉钉、飞书、企业微信、邮件、Slack、Telegram、Webhook
3. 服务拓扑图（Topology）
力导向布局：基于物理模拟的自由布局，节点自动排列
分层布局：按依赖层级从上到下排列，层次清晰
AI 建议依赖：基于流量和日志数据，AI 自动推荐可能的服务依赖关系
4. 数据库监控（Databases）
支持 PostgreSQL、MySQL、Oracle 等主流数据库，展示：
连接数、QPS、TPS、缓冲区命中率
慢查询 Top 10（包含 SQL 语句和优化建议）
趋势图表：连接数、QPS 等指标时序趋势
5. 运维报告（Reports）
自动生成日报、周报、月报，内容包括：
监控概览：服务器/服务的整体健康状态
告警统计：告警数量、分布、处理时效
可用性报告：各服务的可用率统计
性能趋势：关键指标趋势分析
AI 分析摘要：期间的 AI 洞察和建议
6. SLA 管理
为每个服务定义 SLA 目标（如 99.9%）
系统自动计算实际可用性
基于 SLA 目标计算错误预算
预算消耗速度预警
当可用性低于 SLA 目标时自动检测并记录违规
总结
风险提示：
项目处于早期阶段，生产环境使用前务必充分测试
GitHub:
https://github.com/LinChuang2008/nightmend