OpenManager Vibe V4

OpenManager Vibe V4 — это система аналитики и мониторинга сервера на основе естественного языка. Когда администратор задает вопрос о состоянии сервера простым языком, система автоматически анализирует его и выдает результаты.

Ссылка на распространение

• Фронтенд : https://openvibe3.netlify.app

• API бэкэнда : https://openmanager-vibe-v4.onrender.com

Структура проекта

Поток связи MCP

Интерфейс и сервер MCP Lite интегрированы следующим образом:

1. Фронтенд : Пользователь вводит вопросы о состоянии сервера на естественном языке.

2. Вызов API : Фронтенд отправляет вопрос и контекстную информацию в конечную точку /query сервера MCP.

3. Внутренняя обработка : сервер MCP сопоставляет вопрос с файлом контекста и генерирует соответствующий ответ.

4. Отображение результатов : ответ передается на интерфейс и отображается визуально для пользователя.

В демонстрационной среде :

• Большая часть логики выполняется на внешнем интерфейсе, и используются виртуальные данные.

• Сервер MCP выполняет второстепенную роль, предоставляя только простые функции обработки естественного языка.

• В реальной среде сервер MCP можно расширить для связи реальных данных мониторинга с расширенным LLM.

Основные характеристики

• Запросы на естественном языке : позволяет администраторам задавать вопросы о состоянии сервера и проблемах на повседневном языке.

• Автоматический анализ : система анализирует вопрос и предоставляет список связанных серверов и причину проблемы.

• Интуитивно понятная панель управления : визуально отображает состояние сервера и показатели производительности.

• Подробный отчет : создание аналитического отчета, включая причину и решение проблемы.

• Фильтрация данных : возможность фильтрации по времени, типу сервера и местоположению.

Технологический стек

Внешний интерфейс

• HTML5/CSS3/JavaScript (ванильный)

• Фреймворк пользовательского интерфейса Bootstrap

• Chart.js (визуализация данных)

• Font Awesome/Иконки Bootstrap (Иконки)

Бэкэнд

• Node.js

• Express.js

• Система управления контекстом на основе файлов

🏗 Архитектура системы: Крупномасштабный агент ИИ против этого проекта (на основе MCP)

🧠 Реальная архитектура агента ИИ на основе LLM

• Поток данных: Журнал мониторинга в реальном времени → Коллектор (Kafka/Fluentd и т. д.) → Механизм анализа

• Обработка естественного языка:

  • Интеграция с LLM API (OpenAI, Claude и т. д.)

  • Бэкэнд на основе Python/Java

  • Включает расширенные возможности интерпретации запросов и понимания контекста

• Механизм анализа:

  • Интеграция с временными рядами/поисковыми системами, такими как InfluxDB и Elasticsearch

  • Анализ шаблонов на основе событий, срабатывание сигнализации

• Интеграция пользовательского интерфейса:

  • Полностью интегрированная панель управления

  • Разговорный интерфейс + изучение истории использования

⚙️ Этот проект (легкая демонстрационная система на базе MCP)

Этот проект содержит несколько уровней самостоятельно разработанной логики «ИИ-агента», обеспечивающей функциональность, подобную ИИ, без необходимости использования LLM (большой языковой модели). Каждый компонент выполняет определенную роль и работает вместе, пытаясь предоставить пользователям интеллектуальный серверный анализ и мониторинг.

• Фронтенд: создан на чистом HTML/JS, развернут в Netlify. Большая часть сложной логики агента ИИ содержится здесь.

• Сервер MCP (бэкэнд): на базе Node.js, развернут для рендеринга. Он в основном отвечает за простые функции вопросов и ответов и статистического анализа.

Многослойные компоненты «LLM-Free AI Agent»

1. Простой сервер MCP (конечная точка

   • Роль: Обеспечивает базовую функциональность поиска и ответа на запросы по ключевым словам на основе содержимого текстовых файлов в папке context/ .

   • Как это работает: отвечает, проверяя, содержится ли слово в запросе пользователя в определенной строке в файле контекста.

   • Ограничения: Простое сопоставление строк может привести к плохому пониманию контекста и возврату нерелевантной информации.

2. Внутренний агент ИИ (конечная точка

   • Роль: обнаружение аномалий посредством статистического анализа (например, Z-оценки) данных показателей сервера и генерация простых, основанных на шаблонах ответов на естественном языке для определенных типов вопросов.

   • Как это работает: анализирует числовые данные для выявления статистических выбросов и использует предопределенные шаблоны ответов.

   • Ограничения: отвечает только на ограниченное количество сценариев и типов вопросов.

3. Фронтенд-процессор ИИ (

   • Роль: Реализовать самую сложную логику агента без LLM в текущей системе. Отвечает за определение подробных шаблонов проблем на основе правил, анализ запросов пользователей на естественном языке (простой NLU), анализ причин и предложение решений, а также создание динамического содержимого отчетов.

   • Как это работает: анализирует данные сервера на основе правил и условий, определенных в problemPatterns , определяет цель вопроса пользователя с помощью analyzeQuery и предоставляет настраиваемую информацию с помощью различных функций generate...Response .

   • Особенности: Большая часть интеллектуальной логики реализована в коде JavaScript интерфейса.

Преимущества и ограничения этого подхода

• заслуга:

  • Работа как ИИ без LLM (низкая стоимость/высокая эффективность)

  • Ответ можно расширить, просто добавив документы (для простых серверов MCP)

  • Низкие затраты на внедрение и обслуживание (отсутствие зависимости от внешнего API LLM и затрат на него)

  • Возможность установки правил, оптимизированных для определенных доменов (мониторинг сервера)

• допуск:

  • Ограниченная способность интерпретации вопросов (отсутствие понимания контекста, ограниченная глубина понимания естественного языка)

  • Не подходит для крупномасштабного анализа в реальном времени.

  • Производительность зависит от сложности правил и шаблонов, и сложно гибко реагировать на новые типы проблем или вопросы (особенно это касается интерфейсных процессоров ИИ).

  • Поскольку основная логика сосредоточена во внешнем интерфейсе, могут возникнуть ограничения в масштабируемости и удобстве обслуживания.

🤖 Метод разработки (на основе Vibe Coding)

Этот проект был разработан путем ввода подсказок в инструмент на основе GPT и использования курсора для управления кодированием ИИ .

Поток фазы разработки

Шаг 1: Первоначальное планирование и определение функций (с использованием GPT)

• Предложение по структуре проекта

• Определение роли сервера MCP и метода ответа на основе контекста

• Установка основного направления стека технологий и пользовательского интерфейса

Шаг 2: Реализация функций и интеграция с интерфейсом (с использованием курсора)

• Конфигурация фронтального JS-кода

• Обработка выборки запроса MCP

• Отображение ответа Markdown

Шаг 3: Расширенный ответ и шаблон документа (совместная работа курсора и GPT)

• контекст Расширение структуры ответа на несколько документов

• Разработка шаблонов автоматических отчетов

• Проектирование и ветвь обработки ответных документов по типу отказа

📐 Руководство по разработке

✅ Пользовательский интерфейс и дизайн

• index.html и стили пользовательского интерфейса должны оставаться актуальными (рекомендуется сохранение 90% или более)

• Разрешайте вносить изменения только в той мере, в которой они не нарушают пользовательский интерфейс.

✅ MCP-бэкэнд

• Функциональность сервера можно свободно улучшать путем расширения и добавления контекстных структур.

• Структура контекстного документа соответствует текстовому формату .txt или .md

• При расширении API рекомендуется использовать структуру RESTful

Руководство по разработке

При работе над проектом следуйте этим рекомендациям:

Связанные с пользовательским интерфейсом и дизайном (на основе коммита ad03d5f)

• Индексный файл и пользовательский интерфейс : текущий дизайн UI/UX должен быть тщательно сохранен.

  • index.html и видимые извне компоненты пользовательского интерфейса должны сохранить не менее 90% своих текущих стилей.

  • Не изменяйте дизайн интерфейса без крайней необходимости.

Разработка бэкэнда

• Улучшения функций бэкэнда : улучшения и расширения функций на стороне сервера можно реализовать бесплатно.

  • Улучшенная логика обработки данных

  • Добавить и оптимизировать конечные точки API

  • Работа по повышению производительности и улучшению масштабируемости

Установить и запустить

Внешний интерфейс

Внутренний сервер

Среда развертывания

• Интерфейс : Netlify ( https://openvibe3.netlify.app )

• Бэкэнд : Render.com ( https://openmanager-vibe-v4.onrender.com )

Планы дальнейшего развития

1. Интеграция ИИ : Реальная обработка естественного языка Связь LLM

2. Данные в реальном времени : интеграция с реальными системами мониторинга серверов (Prometheus, Zabbix и т. д.)

3. Расширение визуализации : диверсификация графиков и диаграмм анализа данных

4. Система оповещения : автоматическое оповещение и передача отчетов в случае сбоя

Информация для разработчиков

Этот проект был разработан с использованием Vibe Coding на основе различных моделей ИИ, таких как Claude, GPT и Gemini.

Лицензия

Данный проект был создан для внутренних целей разработки и для него не предусмотрена отдельная лицензия.

Последние улучшения (версия v4.1.0)

1. Улучшение и согласованность облегченной структуры NLU

• Мы реализовали облегченную архитектуру NLU (понимание естественного языка) как на фронтенде, так и на бэкенде.

• Последовательно разделяйте запросы пользователей на намерения и сущности.

• Намерения: CPU_STATUS, MEMORY_STATUS, DISK_STATUS, INCIDENT_QUERY, SERVER_STATUS и т. д.

• Сущности: тип_сервера, порог, временной_диапазон, серьезность и т. д.

2. Улучшена логика обработки запросов front-end-back-end.

• Добавлена функция анализа NLU, совместимая с бэкэндом, во фронтэнд process_query.js .

• Улучшить структуру ответа API бэкэнда, чтобы явно предоставлять информацию о намерениях и сущностях фронтэнду.

• Мы улучшили обработку ошибок, чтобы обеспечить единообразную обработку ошибок во всех конечных точках API.

3. Улучшенная обработка контекста

• Используйте контекст разговора, чтобы давать более точные и контекстные ответы на последующие вопросы.

• Пример: задав вопрос о конкретном сервере, сохраните контекст, задав дополнительный вопрос, например: «Объясните почему?»

• Запомните типы метрик (ЦП, память и т. д.), упомянутые в предыдущих беседах, и используйте их в последующих вопросах.

4. Улучшенный опыт разработчика

• Разработка фронтенда упрощается за счет поддержания единообразной структуры ответов API.

• Добавлена логика обработки ошибок во все API для повышения стабильности.

• Улучшение удобства обслуживания за счет улучшения структуры внутреннего кода.

Планы по улучшению на будущее

1. Структурирование файла контекста. Преобразование текущего контекста на основе текстового файла в формат JSON/YAML.

2. Расширенные возможности NLU — добавлено распознавание большего количества намерений и сущностей

3. Улучшения пользовательского интерфейса — визуальное отображение контекстно-зависимых функций

4. Оптимизация производительности бэкэнда — повышение производительности обработки крупномасштабных данных метрик.