Cairn
Cairn
Ein agentischer Incident-Analyse-Copilot. Fragen Sie auf Englisch „Warum ist die Checkout-Latenz um 3 Uhr morgens angestiegen?“; Cairn fragt den Observability-Stack ab, korreliert mit der Deployment-Zeitleiste, ruft das relevante Runbook ab und schlägt eine Ursache mit Belegen vor – und kann eine Behebung ausführen, hinter einem menschlichen Genehmigungs-Gate.
Dieses Repository implementiert docs/architecture.md.
Das Dashboard
Das begleitende npm-Paket (npx @nouman-amjad/cairn dashboard) stellt ein Live-Dashboard für jedes Projekt bereit – ohne Build-Schritt, ohne Abhängigkeiten, ohne Netzwerk.





Related MCP server: Cloud Operations Runbook Assistant
Die vier Verpflichtungen und wo sie im Code umgesetzt sind
Verpflichtung | Wo sie durchgesetzt wird |
Tools sind das Produkt. Jede Fähigkeit ist ein MCP-Tool; der Agent hat keinen privilegierten Zugang zu einem Backend. | |
Inferenz ist eine geroutete Ressource. Ein Kosten- und Sensitivitäts-Router teilt die Arbeit zwischen einem lokalen 8B- und einem Frontier-Modell auf. | |
Schreibaktionen sind niemals autonom. Eine dauerhafte Genehmigungs-Zustandsmaschine mit Idempotenzschlüsseln und einem Append-only-Audit-Log. | |
Die Eval-Harness ist ein erstklassiger Dienst. 30 Szenarien mit Ground-Truth-Ursachen und 7 gated Metriken. |
Aufbau
packages/
cairn-core/ domain model, config, auth, DB, sensitivity, artifacts
cairn-mcp-kit/ MCP scaffolding: identity, OPA guard, result capping, versioning
services/
cairn-gateway/ OIDC, rate limits, cost budgets, circuit breaker, SSE fan-out
cairn-orchestrator/ the agent loop as a state machine persisted to Postgres
cairn-router/ model routing, cost accounting, vLLM + Anthropic clients
cairn-approval/ approval state machine and the Slack gate
cairn-mcp-observability/ metrics, logs, traces, deploys, artifacts
cairn-mcp-runbooks/ hybrid search, ingest, past-incident recall
cairn-mcp-actions/ approval-gated write tools
cairn-eval/ 30 scenarios, 7 metrics, the CI gate, a seeded stack
cairn-cli/ `cairn ask "why did checkout spike?"`
ui/ Next.js: chat, trajectory viewer, approvals
cairn-deploy/ Helm chart, ArgoCD app-of-apps, OPA bundle, prompts
cairn-infra/ Terraform: VPC, EKS, RDS, Karpenter, IRSA, S3
docker/ one Dockerfile for all Python services, plus vLLM
docs/adr/ 14 architecture decision recordscairn-deploy und cairn-infra sind hier zur Überprüfung eingebunden. In Produktion sind sie separate Repositories mit separaten Lebenszyklen – siehe ADR-013.
Erste Schritte
make install # uv sync + npm ci
make up # Postgres (pgvector), Redis, MinIO, OPA
make migrate
make test # 246 tests
make selfcheck # 21 module self-checks
make eval # 30 scenarios through the real agent loopFür all das sind weder GPU noch API-Schlüssel erforderlich. make eval läuft im heuristischen Modus, der die gesamte Pipeline durchläuft – Schleife, Tool-Capping, Persistenz, die sieben Metriken, das Gate – mit einem skriptbasierten Stellvertreter anstelle eines Modells. Siehe die Einschränkungen.
Um mit echten Modellen zu laufen, setzen Sie CAIRN_ROUTER_ANTHROPIC_API_KEY und richten Sie CAIRN_ROUTER_VLLM_URL auf einen vLLM-Server.
Debugging mit einem MCP-Client
Jeder MCP-Server spricht sowohl stdio als auch Streamable HTTP:
make mcp-stdio
# or, the way an outside user would:
uvx cairn-mcp-observability --stdioRichten Sie Cursor, Zed oder einen anderen MCP-Client darauf aus und Sie sehen genau das, was der Agent sieht. Das kostet etwa zwanzig Zeilen (ADR-002) und zahlt sich beim ersten Mal aus, wenn ein Tool-Ergebnis überhaupt nicht wie erwartet aussieht.
Was verifiziert ist und was nicht
Um konkret zu sein, denn „es funktioniert“ ist keine Behauptung, die man vage aufstellen sollte.
Verifiziert durch Ausführung hier:
246 Tests bestehen gegen eine echte PostgreSQL 16 + pgvector, einschließlich der Sicherheitseigenschaften des Genehmigungs-Gates (keine Selbstgenehmigung, keine doppelte Ausführung, keine Ausführung ohne Genehmigung, ein Append-only-Audit-Log, das durch einen Datenbank-Trigger erzwungen wird) und der Router-Eigenschaft, dass eingeschränkte Daten niemals ein Cloud-Modell erreichen – erschöpfend über jede Aufgabenklasse und jeden Tier-Zustand geprüft.
21 Modul-Selbstchecks bestehen.
Die Alembic-Migration lässt sich sauber auf eine echte Datenbank anwenden.
12/12 OPA-Policy-Tests bestehen.
Die 30-Szenarien-Eval läuft Ende-zu-Ende durch die echte Agent-Schleife; alle sieben Metriken liegen über dem Ziel und das Gate blockiert korrekt sowohl eine simulierte Regression als auch einen Lauf unter dem Ziel.
Die UI besteht den Typprüfer und baut. Die fünf CLI-Befehle werden aufgelöst.
Hier nicht verifiziert, und warum:
Eval-Genauigkeitszahlen. Die festgelegte Baseline ist der heuristische Modus, der die Harness statt des Agenten bewertet. Echte Zahlen erfordern
make eval-recordgegen einen Live-Router. Der LLM-Ursachen-Richter ist gebaut, aber nicht kalibriert – niemand hat 100 Läufe gelabelt, daher ist κ unbekannt.Terraform. Kein
terraform-Binary in dieser Umgebung;fmt,validateundtflintlaufen in CI. Es wurde nichts auf ein AWS-Konto angewendet.Helm-Rendering.
helm lint,templateundkubeconformlaufen in CI für alle drei Umgebungen. Sie wurden nicht lokal ausgeführt.Jede Kostenangabe in
docs/cost.md. Die Buchhaltung, die sie messen würde, ist gebaut und getestet; der Verkehr, um sie zu füllen, existiert nicht.Die vLLM-Leistungstabelle. Arithmetik aus Speicherbandbreite, nicht Messung.
docs/inference.mdgibt den Benchmark-Befehl und eine Falsifikationsschwelle an.Chaos-Tests. Phase 7 der Roadmap wurde nicht ausgeführt.
docs/roadmap.md verfolgt dies Phase für Phase.
Dokumentation
docs/architecture.md— das Design, das dies implementiertdocs/adr/— 14 Entscheidungsprotokolle, jedes mit seiner Konsequenzdocs/security.md— Bedrohungsmodell und wo jede Kontrolle lebtdocs/inference.md— GPU-Dimensionierung, KV-Cache-Arithmetik, vLLM-Flagsdocs/cost.md— das Kostenmodell, einschließlich ob sich die GPU amortisiertdocs/operations.md— Runbook: was alarmiert, was zu tun istdocs/roadmap.md— Phasen, Risiken und was tatsächlich erledigt istservices/cairn-eval/README.md— wie man einen Gate-Fehler liest
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
AI SRE: investigate production incidents across your observability stack.
The Decision Operations Platform for engineering teams
The Decision Operations Platform for engineering teams
Autonomous and governed SRE & MLOps control plane for AI agent platforms.
Related MCP Servers
- AlicenseNot gradedqualityBmaintenanceEnables security analysts and engineers to triage incidents, audit vulnerabilities, query multi-cloud telemetry, inspect network infrastructure, and automate ITSM remediations through natural language.MIT
- AlicenseNot gradedqualityCmaintenanceEnables cloud and platform engineers to investigate AWS incidents by grounding responses in approved runbooks and operational evidence, with authenticated access, citations, observability, and human approval before any write action.MIT
- AlicenseNot gradedqualityCmaintenanceEnables agents to trace upstream dependencies and downstream blast radius across a Neo4j-modeled service topology, rank root-cause hypotheses, and score composite risk from graph, temporal, git-diff, and trace signals. It also stages rollback-ready remediation plans that execute only after human approval and the required scope.Apache 2.0
- AlicenseBqualityBmaintenanceEnables coding agents to diagnose production incidents by traversing a FalkorDB graph of services, deploys, feature flags, owners and past incidents to find the true root cause rather than the alerting service. It also lets agents act on that reasoning — rolling back, restarting or flipping flags with dry-run-first safety — then verify recovery, notify owners, and store the incident and its fix as memory for faster future resolution.241Apache 2.0