微軟、加州大學伯克利分校、伊利諾伊大學等研究人員聯合開源了，一個專用于云自動化運維的AI Agents——AIOpsLab。

AIOpsLab能模擬真實云服務環境中的復雜操作任務，實現故障的自動化檢測、定位和解決問題。還具備高度的可觀測性，能夠收集和分析關鍵的遙測數據，確保對系統狀態和應用環境的深入洞察。

同時支持人類、數字和AI Agents的不同類型的協作模式，并通過模塊化設計易于擴展新應用程序、工作負載和故障場景。

開源地址：https://github.com/microsoft/AIOpsLab/?tab=readme-ov-file

AIOpsLab的架構一共包含五個關鍵部分，協調器、服務、工作負載生成器、故障生成器以及可觀測性。

協調器的主要任務是與智能體建立會話，共享有關基準測試問題的信息，包括問題描述、響應格式指南以及智能體可以調用的API。這些API是一組文檔化的工具，例如獲取日志、獲取指標和執行shell命令，它們被設計來幫助智能體解決任務。

協調器對智能體的實現沒有任何限制，提出問題并輪詢智能體以獲取基于先前結果要執行的下一個動作。每個動作都必須是有效的API調用，協調器會驗證并執行這些調用。

此外，協調器擁有對部署的特權訪問權，可以代表智能體采取任意行動，例如擴展、重新部署等，以解決智能體面臨的問題。最后，協調器還負責調用工作負載和故障生成器，以創建服務中斷，這些中斷作為實時基準測試問題，為智能體提供了實際操作的環境。

服務模塊可以幫助AIOpsLab適應不同的真實云服務環境，包括微服務、無服務器和單體服務等。AIOpsLab還利用開源應用套件DeathStarBench提供了源代碼、提交歷史和運行時遙測，使得研究人員能夠在一個受控的環境中復現和研究生產事件。通過添加Blueprint這樣的工具，AIOpsLab可以擴展到其他學術和生產服務，并無縫部署這些服務的新變體。

工作負載生成器在AIOpsLab中扮演著重要角色，主要負責創建正常和故障場景的模擬，以測試代理在不同條件下的性能。工作負載生成器根據協調器的規范接收任務，例如任務、期望效果、規模和持續時間，并利用基于真實生產痕跡訓練的模型生成符合這些規范的工作負載。

在故障場景中，工作負載生成器可以模擬資源耗盡、利用邊緣情況或觸發級聯故障等條件，這些都是受到真實事件啟發的。正常場景則模仿典型的生產模式，例如，日常活動周期和多用戶交互。

當不同的特征例如，服務調用、用戶分布、到達時間可能導致期望效果時，多個工作負載可以存儲在問題緩存中供協調器使用。

故障生成器是AIOpsLab的一個創新功能，主要用于跨各種通用云場景。包括細粒度的故障注入，能夠模擬由生產事件啟發的復雜故障全流程展示。故障注入器還可以在不同系統級別注入故障，暴露根本原因，同時保持語義完整性，并考慮云微服務之間的相互依賴性，使用戶能夠對AIOps能力進行全面的測試和評估。

可觀測性則可以提升AIOpsLab的全面監控能力，包括Jaeger的追蹤、Filebeat和Logstash格式化記錄的應用日志，以及Prometheus監控的系統指標。AIOpsLab還捕獲了較低級別的系統信息，如系統調用日志和集群信息。為了處理潛在的數據過載問題，AIOpsLab通過API允許用戶選擇他們需要的特定信息，確保量身定制和全面的可觀測性。