Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@MCP 服务器：CLS 日志查询服务 (cls_server) 和 Monitor 监控数据服务 (monitor_server) 帮我查最近15分钟 order-service 的错误日志和主机CPU使用率"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
智能对话和运维助手示例，支持 RAG 知识库问答和 AIOps 智能诊断
🤖 智能对话 - LangChain 多轮对话 + 流式输出
📚 RAG 问答 - 向量检索增强，支持文档上传、自动建立向量索引、自动更新知识库
🔧 AIOps 诊断 - Plan-Execute-Replan 自动故障诊断和根因分析
🌐 Web 界面 - 现代化 UI，支持多种对话模式：快速问答/流式对话
🔌 MCP 集成 - 日志查询和监控数据工具接入
Related MCP server: agentic-observability-mcp
框架: FastAPI + LangChain + LangGraph
LLM: 阿里云 DashScope (通义千问)
向量库: Milvus
工具协议: MCP (Model Context Protocol)
Python 3.11–3.13（项目默认使用 3.13）
阿里云 DashScope API Key (获取地址)
# 1. 克隆项目
git clone https://github.com/xyzxyzxyz-copy/aiops-rag-agent.git
cd aiops-rag-agent
# 2. 安装依赖（推荐使用 uv）
# 方式 1: 使用 uv（推荐，更快）
pip install uv
uv venv
source .venv/bin/activate
uv sync --locked
# 方式 2: 使用 pip
pip install -e .
# 3. 编辑配置文件
# 首次使用先复制配置模板，再填入你自己的 DASHSCOPE_API_KEY
cp .env.example .env
vim .env # 或使用其他编辑器
# 4. 一键初始化（启动 Docker + 服务 + 上传文档）
make init
# 5. 一键启动
make start如果Windows 不支持 make 命令，可以手动执行以下步骤以启动服务：
# 1. 克隆项目
git clone https://github.com/xyzxyzxyz-copy/aiops-rag-agent.git
cd aiops-rag-agent
# 2. 创建虚拟环境并安装依赖
# 方式 1: 使用 uv（推荐，更快）
pip install uv
# 创建虚拟环境
uv venv
# 激活虚拟环境
.venv\Scripts\activate
# 安装所有依赖
uv sync --locked
# 方式 2: 使用 pip
python -m venv .venv
.venv\Scripts\activate
pip install -e .
# 3. 编辑配置文件
# 首次使用先复制配置模板，填入你自己的 DASHSCOPE_API_KEY
Copy-Item .env.example .env
notepad .env
# 4. 启动 Docker Desktop
# 确保 Docker Desktop 已安装并正在运行
# 5. 启动 Milvus 向量数据库（Docker Compose）
docker compose -f vector-database.yml up -d
# 6. 等待 Milvus 启动完成（约 5-10 秒）
timeout /t 10
# 7. 启动 MCP 服务
# 启动 CLS 日志查询服务（新开一个 PowerShell 窗口）
python mcp_servers/cls_server.py
# 启动 Monitor 监控服务（新开一个 PowerShell 窗口）
python mcp_servers/monitor_server.py
# 8. 启动 FastAPI 主服务（新开一个 PowerShell 窗口）
# 注意：日志会自动输出到 logs\app_YYYY-MM-DD.log
python -m uvicorn app.main:app --host 0.0.0.0 --port 9900
# 9. 上传文档到向量库（新开一个 PowerShell 窗口）
# 等待服务启动完成后执行
timeout /t 5
python -c "import requests, os, time; [requests.post('http://localhost:9900/api/upload', files={'file': open(f'aiops-docs/{f}', 'rb')}) or time.sleep(1) for f in os.listdir('aiops-docs') if f.endswith('.md')]"Windows 一键启动脚本（推荐）
使用启动脚本：
# 启动所有服务
.\start-windows.bat
# 停止所有服务
.\stop-windows.batWeb 界面: http://localhost:9900
API 文档: http://localhost:9900/docs
功能 | 方法 | 路径 | 说明 |
普通对话 | POST |
| 一次性返回 |
流式对话 | POST |
| SSE 流式输出 |
AIOps 诊断 | POST |
| 自动故障诊断（流式） |
文件上传 | POST |
| 上传并索引文档 |
健康检查 | GET |
| 服务状态检查 |
# 普通对话
curl -X POST "http://localhost:9900/api/chat" \
-H "Content-Type: application/json" \
-d '{"Id":"session-123","Question":"你好"}'
# 流式对话
curl -X POST "http://localhost:9900/api/chat_stream" \
-H "Content-Type: application/json" \
-d '{"Id":"session-123","Question":"你好"}' \
--no-buffer
# AIOps 诊断
curl -X POST "http://localhost:9900/api/aiops" \
-H "Content-Type: application/json" \
-d '{"session_id":"session-123"}' \
--no-buffersuper_biz_agent_py/
├── app/ # 应用核心
│ ├── __init__.py # 包初始化（自动加载日志配置）
│ ├── main.py # FastAPI 应用入口
│ ├── config.py # 配置管理（环境变量、MCP 服务器配置）
│ ├── api/ # API 路由层
│ │ ├── __init__.py
│ │ ├── chat.py # 对话接口（RAG 聊天）
│ │ ├── aiops.py # AIOps 接口（故障诊断）
│ │ ├── file.py # 文件管理（文档上传）
│ │ └── health.py # 健康检查（服务状态）
│ ├── services/ # 业务服务层
│ │ ├── __init__.py
│ │ ├── rag_agent_service.py # RAG Agent（LangGraph 状态图）
│ │ ├── aiops_service.py # AIOps 服务（计划-执行-重规划）
│ │ ├── vector_store_manager.py # 向量存储管理器
│ │ ├── vector_embedding_service.py # 向量embedding服务
│ │ ├── vector_index_service.py # 向量索引服务
│ │ ├── vector_search_service.py # 向量检索服务
│ │ └── document_splitter_service.py # 文档分割服务
│ ├── agent/ # Agent 模块
│ │ ├── __init__.py
│ │ ├── mcp_client.py # MCP 客户端（工具调用）
│ │ └── aiops/ # AIOps 核心逻辑
│ │ ├── __init__.py
│ │ ├── planner.py # 计划制定器
│ │ ├── executor.py # 步骤执行器
│ │ ├── replanner.py # 重规划器
│ │ ├── state.py # 状态定义
│ │ └── utils.py # 工具函数
│ ├── models/ # 数据模型层
│ │ ├── __init__.py
│ │ ├── aiops.py # AIOps 模型
│ │ ├── document.py # 文档模型
│ │ ├── request.py # 请求模型
│ │ └── response.py # 响应模型
│ ├── tools/ # Agent 工具集
│ │ ├── __init__.py
│ │ ├── knowledge_tool.py # 知识库查询工具
│ │ └── time_tool.py # 时间工具
│ ├── core/ # 核心组件
│ │ ├── __init__.py
│ │ ├── llm_factory.py # LLM 工厂（模型管理）
│ │ └── milvus_client.py # Milvus 客户端
│ └── utils/ # 工具类
│ ├── __init__.py
│ └── logger.py # 日志配置（Loguru）
├── static/ # Web 前端（纯静态）
│ ├── index.html # 主页面
│ ├── app.js # 前端逻辑
│ └── styles.css # 样式表
├── mcp_servers/ # MCP 服务器
│ ├── cls_server.py # CLS 日志查询服务
│ ├── monitor_server.py # 监控数据服务
│ └── README.md # MCP 服务说明
├── aiops-docs/ # 运维知识库（Markdown 文档）
├── logs/ # 日志目录（Loguru 自动创建）
│ └── app_YYYY-MM-DD.log # 按天轮转的日志文件
├── uploads/ # 上传文件临时目录
├── volumes/ # Milvus 数据持久化目录
├── .env # 环境变量配置（需手动创建）
├── Makefile # 项目管理命令（Linux/macOS）
├── start-windows.bat # Windows 启动脚本
├── stop-windows.bat # Windows 停止脚本
├── vector-database.yml # Milvus Docker Compose 配置
├── pyproject.toml # 项目配置（依赖、元数据）
├── uv.lock # uv 依赖锁定文件
├── pyrightconfig.json # Pyright 类型检查配置
└── README.md # 项目说明通过 .env 文件配置：
# 阿里云LLM DashScope 配置（必填）
# 秘钥管理： https://bailian.console.aliyun.com/cn-beijing/?spm=5176.29597918.J_SEsSjsNv72yRuRFS2VknO.2.61ac133ccTVQLw&tab=demohouse#/api-key
DASHSCOPE_API_KEY=your-api-key （配置你自己的秘钥）
DASHSCOPE_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1 # 不配置则默认会使用新加坡站点
DASHSCOPE_MODEL=qwen-max
# Milvus 配置
MILVUS_HOST=localhost
MILVUS_PORT=19530
# RAG 配置
RAG_TOP_K=3
CHUNK_MAX_SIZE=800
CHUNK_OVERLAP=100基于 Plan-Execute-Replan 模式实现自动故障诊断。
✅ 自动制定诊断计划（Planner）
✅ 智能工具调用（Executor）
✅ 动态调整步骤（Replanner）
✅ 流式输出诊断过程
✅ 生成结构化报告
# 服务已通过 make init 自动启动
# 如需重启服务：make restart
# 访问 Web 界面，点击"智能运维与诊断工具"
# 或使用 API
curl -X POST "http://localhost:9900/api/aiops" \
-H "Content-Type: application/json" \
-d '{"session_id":"test"}' \
--no-buffer1. Planner 制定计划 → 生成 4-6 个诊断步骤
2. Executor 执行步骤 → 调用 MCP 工具（日志查询、监控数据）
3. Replanner 评估结果 → 决定继续/调整/生成报告
4. 输出诊断报告 → 根因分析 + 运维建议# 项目管理
make init # 一键初始化（Docker + 服务 + 文档）
make start # 启动所有服务
make stop # 停止所有服务
make restart # 重启所有服务
# 依赖管理
make install-dev # 安装开发依赖
make sync # 同步依赖
# Docker 管理
make up # 启动 Docker 容器
make down # 停止 Docker 容器
# 代码质量
make format # 格式化代码
make lint # 代码检查make 命令不可用Windows 不支持 make 命令，请使用提供的批处理脚本：
# 启动服务
.\start-windows.bat
# 停止服务
.\stop-windows.bat如果遇到 "无法加载文件，因为在此系统上禁止运行脚本" 错误：
# 临时允许脚本执行（管理员权限）
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process
# 或者使用 CMD 而不是 PowerShell
cmd
.\start-windows.bat# 查看占用端口的进程
netstat -ano | findstr :9900
# 结束进程（替换 PID 为实际进程 ID）
taskkill /F /PID <PID># 检查环境变量
cat .env | grep DASHSCOPE_API_KEY # Linux/macOS
type .env | findstr DASHSCOPE_API_KEY # Windows# 确保本机有 Docker 服务并且已经启动（可以使用 Docker Desktop）
# 检查 Milvus 状态
docker ps | grep milvus
# 重启 Milvus（使用 docker compose）
docker compose -f vector-database.yml restart
# 或者重启单个服务
docker compose -f vector-database.yml restart standaloneLinux/macOS:
# 查看服务日志
tail -f logs/app_$(date +%Y-%m-%d).log # FastAPI 主服务（Loguru 日志）
tail -f mcp_cls.log # CLS MCP 服务
tail -f mcp_monitor.log # Monitor MCP 服务
# 检查端口占用
lsof -i :9900 # FastAPI
lsof -i :8003 # CLS MCP
lsof -i :8004 # Monitor MCPWindows:
# 查看服务日志（获取今天的日期）
$today = Get-Date -Format "yyyy-MM-dd"
type logs\app_$today.log # FastAPI 主服务（Loguru 日志）
type mcp_cls.log # CLS MCP 服务
type mcp_monitor.log # Monitor MCP 服务
# 或者查看最新的日志文件
Get-ChildItem logs\*.log | Sort-Object LastWriteTime -Descending | Select-Object -First 1 | Get-Content -Tail 50
# 检查端口占用
netstat -ano | findstr :9900 # FastAPI
netstat -ano | findstr :8003 # CLS MCP
netstat -ano | findstr :8004 # Monitor MCP原项目作者：chief，沿用原项目声明的 MIT License。 项目元数据中的原作者信息予以保留。
推荐使用 uv sync --locked，以便安装与 uv.lock 一致的依赖版本。
仓库只提供 .env.example 占位配置。真实 .env、运行日志、上传文件、数据库和虚拟环境不应提交。
文档建立向量索引时，内容会发送至配置的 DashScope 嵌入服务；只上传你有权处理的文档。
MCP 日志与监控服务提供示例数据，生产接入需要替换为真实数据源。
会话检查点使用内存存储，进程重启后不会保留。
当前版本适合本地学习和演示；对外提供服务前需要完善身份认证、访问控制和前端内容过滤。
This server cannot be deployed
MCP observability. Query live traffic, errors, duration, and alerts from your AI agent.
Query application logs, traces, and metrics from your AI coding assistant via Foam's MCP server.
MCP server for your apps' tools and custom tools, plus hosted AI agents and approval-gated workflows
Hosted MCP runtime where your agent publishes its own tools by tool call and keeps working.
