OpenSRE：开源 AI SRE Agent 框架，连接 60+ 工具自动调查生产事故

生产环境出事，证据散落在日志、指标、追踪、runbook、Slack 线程里。传统的 AI Coding 有 SWE-bench 提供标准化训练和反馈，但 AI SRE（生产事故调查）缺少同等规模的环境。

分布式故障比本地代码任务更慢、更嘈杂、更难模拟和评估，AI SRE 至今没有突破。

OpenSRE 要填补这个空白。

GitHub 3.3k stars，Apache 2.0 协议，一个开源的 AI SRE Agent 框架和训练评估环境，在自己的基础设施上运行。连接 60+ 工具，调查生产事故，生成带证据的根因分析报告。

一、核心问题：为什么 AI SRE 没有突破

SWE-bench 给编码 Agent 提供了规模化训练数据和清晰反馈，但生产事故调查没有同等的东西。

原因：

• 分布式故障比本地代码任务更慢、更嘈杂
• 难以模拟和评估
• 证据分散在多个系统（日志、指标、追踪、runbook、Slack）
• 需要理解基础设施上下文（Kubernetes、AWS、数据库等）

OpenSRE 的解题思路：构建一个开放的环境，让 AI SRE Agent 在真实基础设施上训练和评估：

一个用于 Agent 基础设施事故响应的开放强化学习环境，包含端到端测试和合成事故模拟

二、系统架构

告警触发 → OpenSRE Agent 自动调查
              ↓
    ┌─────────┴──────────┐
    ↓                    ↓
抓取告警上下文      关联日志/指标/追踪
    ↓                    ↓
    └─────────┬──────────┘
              ↓
       推理异常原因
              ↓
       生成结构化 RCA 报告（含证据）
              ↓
       推送至 Slack/PagerDuty

当告警触发时，OpenSRE 自动：

1. 抓取告警上下文和关联的日志、指标、追踪
2. 推理跨连接系统识别异常
3. 生成带证据的结构化调查报告（最可能的根因）
4. 建议下一步行动，可选执行修复操作
5. 推送摘要直接到 Slack 或 PagerDuty

三、核心能力

四、60+ 工具集成

还有 MCP 和 OpenClaw 协议支持。

五、测试框架：合成 RCA + 端到端测试

OpenSRE 内置两类测试：

合成 RCA 测试（Synthetic RCA）

在 tests/synthetic/ 下检查根因准确性、所需证据和对抗性红鲱鱼。例如 RDS + PostgreSQL 场景。

端到端测试（E2E）

跨云支持场景的完整测试：Kubernetes、EC2、CloudWatch、Lambda、ECS Fargate、Flink。

测试目录结构设计让 E2E vs 合成、本地 vs 云的边界始终清晰可见。

六、快速开始

安装

# Linux/macOS
curl -fsSL https://raw.githubusercontent.com/Tracer-Cloud/opensre/main/install.sh | bash

# Homebrew
brew install Tracer-Cloud/opensre/opensre

# Windows
irm https://raw.githubusercontent.com/Tracer-Cloud/opensre/main/install.ps1 | iex

开发模式

git clone https://github.com/Tracer-Cloud/opensre
cd opensre
make install

# 配置 LLM provider 和集成（Grafana/Datadog/Slack/AWS/GitHub/Sentry 等）
opensre onboard

# 调查一个测试告警
opensre investigate -i tests/e2e/kubernetes/fixtures/datadog_k8s_alert.json

Railway 部署

部署前需要先在 Railway 项目中配置 Postgres 和 Redis 服务：

# 创建/链接 Railway Postgres 和 Redis 后设置 DATABASE_URI 和 REDIS_URI
opensre deploy railway --project <project> --service <service> --yes

七、与传统 SRE 工具的对比

八、技术栈

• 语言：Python 3.13
• 运行时：LangGraph
• 数据库：PostgreSQL + Redis
• 部署：Railway / Docker
• Dev Container：VS Code devcontainer 开箱即用

九、Roadmap 上的重要集成

十、适用场景

• 大厂 SRE 团队：自动化事故调查，减少 MTTR
• 创业公司：一个人 on-call 时 AI 辅助分析
• AI 研究：用 OpenSRE 的测试框架训练 AI SRE Agent
• 平台工程：构建内部 AI SRE 能力的基座

总结

OpenSRE 解决的是 AI SRE 缺乏规模化训练和评估环境的问题——和 SWE-bench 对 Coding Agent 的作用类似，OpenSRE 要成为 AI SRE 的基准平台。

60+ 工具集成、合成 RCA + E2E 测试框架、支持多种 LLM（Anthropic/OpenAI/Ollama/Gemini 等），让 AI Agent 能够在真实基础设施上做事故调查并获得可量化的反馈。

如果你在构建 AI SRE 能力，或者需要自动化生产事故调查，这是一个值得关注的项目。

相关链接：

• GitHub：https://github.com/Tracer-Cloud/opensre（3.3k stars）
• 官网：https://www.opensre.com
• Discord：https://discord.gg/7NTpevXf7w

🦞 每日08:00自动更新