微软、加州大学伯克利分校、伊利诺伊大学等研究人员联合开源了，一个专用于云自动化运维的AI Agents——AIOpsLab。
AIOpsLab能模拟真实云服务环境中的复杂操作任务，实现故障的自动化检测、定位和解决问题。还具备高度的可观测性，能够收集和分析关键的遥测数据，确保对系统状态和应用环境的深入洞察。
同时支持人类、数字和AI Agents的不同类型的协作模式，并通过模块化设计易于扩展新应用程序、工作负载和故障场景。
开源地址：https://github.com/microsoft/AIOpsLab/?tab=readme-ov-file
AIOpsLab的架构一共包含五个关键部分，协调器、服务、工作负载生成器、故障生成器以及可观测性。
协调器的主要任务是与智能体建立会话，共享有关基准测试问题的信息，包括问题描述、响应格式指南以及智能体可以调用的API。这些API是一组文档化的工具，例如获取日志、获取指标和执行shell命令，它们被设计来帮助智能体解决任务。
协调器对智能体的实现没有任何限制，提出问题并轮询智能体以获取基于先前结果要执行的下一个动作。每个动作都必须是有效的API调用，协调器会验证并执行这些调用。
此外，协调器拥有对部署的特权访问权，可以代表智能体采取任意行动，例如扩展、重新部署等，以解决智能体面临的问题。最后，协调器还负责调用工作负载和故障生成器，以创建服务中断，这些中断作为实时基准测试问题，为智能体提供了实际操作的环境。
服务模块可以帮助AIOpsLab适应不同的真实云服务环境，包括微服务、无服务器和单体服务等。AIOpsLab还利用开源应用套件DeathStarBench提供了源代码、提交历史和运行时遥测，使得研究人员能够在一个受控的环境中复现和研究生产事件。通过添加Blueprint这样的工具，AIOpsLab可以扩展到其他学术和生产服务，并无缝部署这些服务的新变体。
工作负载生成器在AIOpsLab中扮演着重要角色，主要负责创建正常和故障场景的模拟，以测试代理在不同条件下的性能。工作负载生成器根据协调器的规范接收任务，例如任务、期望效果、规模和持续时间，并利用基于真实生产痕迹训练的模型生成符合这些规范的工作负载。
在故障场景中，工作负载生成器可以模拟资源耗尽、利用边缘情况或触发级联故障等条件，这些都是受到真实事件启发的。正常场景则模仿典型的生产模式，例如，日常活动周期和多用户交互。
当不同的特征例如，服务调用、用户分布、到达时间可能导致期望效果时，多个工作负载可以存储在问题缓存中供协调器使用。
故障生成器是AIOpsLab的一个创新功能，主要用于跨各种通用云场景。包括细粒度的故障注入，能够模拟由生产事件启发的复杂故障全流程展示。故障注入器还可以在不同系统级别注入故障，暴露根本原因，同时保持语义完整性，并考虑云微服务之间的相互依赖性，使用户能够对AIOps能力进行全面的测试和评估。
可观测性则可以提升AIOpsLab的全面监控能力，包括Jaeger的追踪、Filebeat和Logstash格式化记录的应用日志，以及Prometheus监控的系统指标。AIOpsLab还捕获了较低级别的系统信息，如系统调用日志和集群信息。为了处理潜在的数据过载问题，AIOpsLab通过API允许用户选择他们需要的特定信息，确保量身定制和全面的可观测性。
