项目代号SRE Lab Doctor仓库andersthorvald/sre-lab-doctortagv0.1.02026-07-028/8 主功能完成。已开源Apache 2.0。把学员的实验问题贴进来AI 按主机拆分给出排障步骤、修复建议、验证命令和复盘笔记。严格只诊断不执行命令——所有命令由学员手动复制粘贴避免 v0.1 出安全问题。为什么做这个我在做 SRE 课程实验的过程中反复踩同一批坑防火墙没放行服务配完发现 80 端口被拦BIND9 配listen-on { 127.0.0.1; };slave 当然连不上 masterDocker 容器内curl 127.0.0.1是容器自己不是宿主机自定义 NAT 网段宿主机没路由ping 都 ping 不通每次都当场查、查完忘、下次再踩一遍。把这些坑整理成知识库让 AI 帮我按「踩过的坑」针对性诊断——这是最初的动机。顺便选了 fork 自 NightMendApache 2.0的开源 AIOps 平台做底座——账号、权限、审计、夜莺原生告警这些基础设施都现成省得从零造。明确不做的不是通用 ChatGPT 替代品、不会自动 SSH 到学员机器、不会自动改配置文件。走 Diagnosis-only Mode。架构 关键代码诊断流程[学员填 7 字段表单] → 基础清洗 → 知识库匹配top-2 ↓ Markdown 输出 ← 17 条高危命令检测 ← Markdown 渲染 ↑ LLM 调用MiniMax-M2.730–50 秒 ← Prompt 构造技术栈NightMendfork 自上游 FastAPI Python 3.11 React Ant Design PostgreSQL Redis MiniMax-M2.7 Docker Compose5 容器。知识库匹配简化版def match_knowledge(lab_type, error_text): 按 lab_type 关键词给 10 个内置案例打分取 top-2 candidates [c for c in ALL_CASES if c.lab_type lab_type] if error_text: keywords extract_keywords(error_text) for c in candidates: c.score sum(1 for kw in keywords if kw in c.tags) return sorted(candidates, keylambda x: x.score, reverseTrue)[:2]三个有意思的坑坑 1双场景 Prompt 的形式错位prompt 写死「按 7 节排障模板输出」学员输「DNS 服务器是什么」这种概念性问题LLM 强行套模板输出「## 1. 当前现象总结」内容是维基百科腔的科普文——形式错位。改成「先判断场景再选模板」故障场景含「报错 / 失败 / refused / timeout / denied」等关键词走排障模板其他走知识模板。本质prompt 是给模型的合同合同对不上场景就乱套。坑 2Reasoning 思考块 三层超时MiniMax-M2.7是 reasoning 模型输出里有!-- ... --思考块占最终输出长度的 40%。加_strip_thinking()剥离。复杂 prompt 要 30–50 秒链路里默认有三个超时都要动层默认调到httpx45s180snginxproxy_read_timeout60s180s前端 axios15s用 aiApi60s坑 317 条高危命令「帮倒忙」最初想「检测到危险命令直接替换成[已过滤]」——结果帮倒忙学员照着敲命令出来发现字段没了、不知道哪步被吃了、LLM 还会换个写法重新塞进去。改成「只警告不阻挡」命中后追加「 高危命令警告」块命令原文保留学员知情决策。17 条覆盖rm -rf /、mkfs、dd if... of/dev/sdX、iptables -F、nft flush ruleset、systemctl stop sshd|network|firewalld、chmod -R 777 /、chown -R、curl ... | sh、wget ... | bash、kill -9 1、shutdown、reboot、setenforce 0等。v0.1 数据维度数据v0.1 主功能8 / 8 完成回归测试场景5 / 5100% 通过内置知识库案例10 个Nginx×2 / DNS×2 / iptables×2 / SSH×2 / rsync×1 / Docker×1高危命令正则17 条LLM 平均响应30–50 秒 Diagnosis-only 三条红线不 SSH、不 systemd、不存凭据。路线图v0.22–3 周后开搞LLM 兜底MiniMax 超时切 DeepSeek 流式响应 SSE 多轮对话 知识库扩 K8s/Prom/Zabbix / 反馈v0.3知识库后台 UI Prompt A/B 测试 导出 PDFv1.0多租户 SaaS 与 NightMend 告警联动 主动学习写在最后
一句话定位
项目代号SRE Lab Doctor仓库andersthorvald/sre-lab-doctortagv0.1.02026-07-028/8 主功能完成。已开源Apache 2.0。把学员的实验问题贴进来AI 按主机拆分给出排障步骤、修复建议、验证命令和复盘笔记。严格只诊断不执行命令——所有命令由学员手动复制粘贴避免 v0.1 出安全问题。为什么做这个我在做 SRE 课程实验的过程中反复踩同一批坑防火墙没放行服务配完发现 80 端口被拦BIND9 配listen-on { 127.0.0.1; };slave 当然连不上 masterDocker 容器内curl 127.0.0.1是容器自己不是宿主机自定义 NAT 网段宿主机没路由ping 都 ping 不通每次都当场查、查完忘、下次再踩一遍。把这些坑整理成知识库让 AI 帮我按「踩过的坑」针对性诊断——这是最初的动机。顺便选了 fork 自 NightMendApache 2.0的开源 AIOps 平台做底座——账号、权限、审计、夜莺原生告警这些基础设施都现成省得从零造。明确不做的不是通用 ChatGPT 替代品、不会自动 SSH 到学员机器、不会自动改配置文件。走 Diagnosis-only Mode。架构 关键代码诊断流程[学员填 7 字段表单] → 基础清洗 → 知识库匹配top-2 ↓ Markdown 输出 ← 17 条高危命令检测 ← Markdown 渲染 ↑ LLM 调用MiniMax-M2.730–50 秒 ← Prompt 构造技术栈NightMendfork 自上游 FastAPI Python 3.11 React Ant Design PostgreSQL Redis MiniMax-M2.7 Docker Compose5 容器。知识库匹配简化版def match_knowledge(lab_type, error_text): 按 lab_type 关键词给 10 个内置案例打分取 top-2 candidates [c for c in ALL_CASES if c.lab_type lab_type] if error_text: keywords extract_keywords(error_text) for c in candidates: c.score sum(1 for kw in keywords if kw in c.tags) return sorted(candidates, keylambda x: x.score, reverseTrue)[:2]三个有意思的坑坑 1双场景 Prompt 的形式错位prompt 写死「按 7 节排障模板输出」学员输「DNS 服务器是什么」这种概念性问题LLM 强行套模板输出「## 1. 当前现象总结」内容是维基百科腔的科普文——形式错位。改成「先判断场景再选模板」故障场景含「报错 / 失败 / refused / timeout / denied」等关键词走排障模板其他走知识模板。本质prompt 是给模型的合同合同对不上场景就乱套。坑 2Reasoning 思考块 三层超时MiniMax-M2.7是 reasoning 模型输出里有!-- ... --思考块占最终输出长度的 40%。加_strip_thinking()剥离。复杂 prompt 要 30–50 秒链路里默认有三个超时都要动层默认调到httpx45s180snginxproxy_read_timeout60s180s前端 axios15s用 aiApi60s坑 317 条高危命令「帮倒忙」最初想「检测到危险命令直接替换成[已过滤]」——结果帮倒忙学员照着敲命令出来发现字段没了、不知道哪步被吃了、LLM 还会换个写法重新塞进去。改成「只警告不阻挡」命中后追加「 高危命令警告」块命令原文保留学员知情决策。17 条覆盖rm -rf /、mkfs、dd if... of/dev/sdX、iptables -F、nft flush ruleset、systemctl stop sshd|network|firewalld、chmod -R 777 /、chown -R、curl ... | sh、wget ... | bash、kill -9 1、shutdown、reboot、setenforce 0等。v0.1 数据维度数据v0.1 主功能8 / 8 完成回归测试场景5 / 5100% 通过内置知识库案例10 个Nginx×2 / DNS×2 / iptables×2 / SSH×2 / rsync×1 / Docker×1高危命令正则17 条LLM 平均响应30–50 秒 Diagnosis-only 三条红线不 SSH、不 systemd、不存凭据。路线图v0.22–3 周后开搞LLM 兜底MiniMax 超时切 DeepSeek 流式响应 SSE 多轮对话 知识库扩 K8s/Prom/Zabbix / 反馈v0.3知识库后台 UI Prompt A/B 测试 导出 PDFv1.0多租户 SaaS 与 NightMend 告警联动 主动学习写在最后
（支持资料、图片参考_相关定制）_)
 获取与实战)
双梁正问题 【 torch 实战】（Python代码实现）)
