警报 AI 助手：n8n 和 LLM 上的诊断自动化

自动化事件诊断：用 n8n 和大模型构建 AI 助手

AI 智能体能处理系统告警的初步分析，大幅缩短团队响应时间。本文将手把手教你用 n8n 平台、大模型（LLM）和模型上下文协议（MCP）实现一个实用助手，与基础设施工具无缝集成。

告警处理 AI 助手的架构

系统核心是一个由 Alertmanager Webhook 触发的 n8n 工作流。主要组件包括：

• Webhook 触发器：接收监控系统事件
• 预处理节点（Code 节点）：格式化告警数据
• AI 智能体节点：连接大模型（推荐 Codex 或 Opus）
• MCP 服务集：与外部系统交互
• 向量存储（Qdrant）：快速访问文档
• 聊天集成（Slack）：输出结果

最大亮点？告警一触发，智能体立即启动诊断——无需等待工程师。

用模型上下文协议设置数据源

MCP 服务让智能体安全访问基础设施，无需自定义编码集成。常见服务包括：

• mcp-grafana — 查询指标和日志
• kubernetes-mcp — 检查 Pod 状态和集群事件
• digitalocean-mcp — 监控云资源
• gitlab-mcp — 查看相关 CI/CD 发布

每个 MCP 运行在远程 HTTP 流模式。智能体系统提示需包含各工具使用说明及限制（如禁止修改）。

配置知识向量存储

Qdrant 作为常用信息缓存，节省大模型 Token 并加速诊断。设置步骤：

• 通过 Qdrant Web UI（6333 端口）创建集合
• 用服务 API Token 设置认证
• 将存储作为工具连接到 AI 智能体
• 通过专用 n8n 工作流加载文档

通常存储：

• 告警描述和触发条件
• 服务架构文档
• 历史事件报告
• 配置参考

诊断流程和报告格式

分析遵循资深工程师的检查手册：

• 触发指标分析 — 定位异常类型（峰值、渐升、持续严重）
• 故障区分 — 应用 Bug 还是基础设施问题？
• 资源检查 — CPU/内存负载、网络指标、系统限额
• 日志审查 — 搜寻受影响组件的错误
• 变更分析 — 扫描近期发布和维护
• 直接验证 — 通过编排器或 Shell 探查组件

报告人性化：

• 简洁发现总结
• 可能根因列表
• 修复建议
• 仪表板和日志链接

结果发布到告警的 Slack 线程，保留团队讨论上下文。

实战构建 n8n 工作流

工作流顺序执行：

• 告警接收 — Alertmanager 的 Webhook 节点
• 预处理 — Code 节点提取关键字段：Alertname、Description、Labels、namespace、instance、env、region、Grafana 仪表板和 Runbook 链接
• 诊断 — AI 智能体节点，系统提示详述基础设施和分析规则
• 上下文查询 — 调用 MCP 服务和向量存储
• 结果交付 — Slack API 集成，在线程中发布报告

平均告警处理时间？约 30 秒——足够检查指标、日志、Kubernetes 集群状态并生成结论。

核心要点

• AI 智能体不取代工程师——仅处理常规初筛，从告警到洞察的时间大幅缩短

• MCP 服务实现安全访问，无需直接给大模型凭证

• 向量存储节省 Token，通过缓存常见信息提升速度

• n8n 提供可视化构建器，复杂工作流无需重度编码

• 夜间值班时大放异彩，工程师响应不即时也能快速诊断

测试和优化助手

部署时：

• 先用非关键告警验证逻辑
• 监控大模型 Token 用量控制成本
• 为 MCP 请求设置超时
• 定期刷新向量存储知识
• 审查推荐准确性优化提示

实战成果：发现容器内存问题、网络延迟、部署失败和 Kubernetes 资源争用。

— Editorial Team