AI Agent 自动执行巡检脚本教程：输出结果、总结问题和生成建议

服务器运维最繁琐的不是处理故障，而是每天重复的巡检工作。盯着屏幕看磁盘空间、内存负载和错误日志，不仅费眼还容易漏掉关键信息。在主机选的实战场景中，我们完全可以把这项工作交给 AI Agent。通过让 AI 自动执行巡检脚本，读取输出结果，它不仅能帮我们总结当前存在的问题，还能根据日志特征生成具体的修复建议，把运维人员从重复劳动中解放出来。

AI Agent 自动化巡检架构

要实现这个目标，核心在于打通“脚本执行”到“智能分析”的数据链路。通常我们不需要编写复杂的 Python 代码，利用现成的自动化工具如 n8n，或者直接调用本地大模型（如 Ollama）的 API 即可。整个流程分为三步：脚本在 VPS 上运行并输出 JSON 或文本 -> AI Agent 获取输出内容 -> 大模型根据预设 Prompt 分析数据并生成报告。这种方式兼容 Open WebUI、Claude Code 等多种 AI Agent 环境，既可以使用云端 API，也可以部署本地模型保证数据隐私。

编写并部署基础巡检脚本

为了让 AI 能读懂结果，脚本输出的规范化至关重要。杂乱的文本会增加 Token 消耗，还可能导致 AI 误判。我们推荐输出 JSON 格式，或者结构非常清晰的 Markdown 文本。

编写通用巡检脚本

创建一个 `check.sh`，包含 CPU、内存、磁盘和关键服务状态的检查。不要试图把所有日志都塞进去，只取最近的关键信息。

#!/bin/bash

MEM_USAGE=$(free | grep Mem | awk '{printf("%.2f"), $3/$2 * 100.0}')
DISK_USAGE=$(df -h / | awk 'NR==2 {print $5}')
LOAD_AVG=$(uptime | awk -F'load average:' '{print $2}')
NGINX_STATUS=$(systemctl is-active nginx)

cat <<EOF
{
"timestamp": "$(date -u +"%Y-%m-%dT%H:%M:%SZ")",
"memory_usage_percent": ${MEM_USAGE},
"disk_usage_root": "${DISK_USAGE}",
"load_average": ${LOAD_AVG},
"nginx_status": "${NGINX_STATUS}",
"recent_errors": "$(journalctl -u nginx -n 5 –no-pager | tail -n 5)"
}
EOF

赋予执行权限：

chmod +x check.sh

Docker 部署巡检环境

如果不想直接在宿主机运行脚本，可以用 Docker 封装。这种方式更安全，也便于迁移。

dockerfile
FROM alpine:latest
RUN apk add –no-cache curl bash coreutils procps
COPY check.sh /usr/local/bin/
ENTRYPOINT ["/usr/local/bin/check.sh"]

构建并运行：

docker build -t VPS-inspector .
docker run –rm –net host vps-inspector

配置 AI Agent 解析巡检结果

脚本跑起来了，下一步是把结果喂给 AI。这里我们以调用本地 Ollama 为例，因为 VPS 上跑本地模型是目前性价比最高的方案，不用把服务器敏感数据传到公网。

构建 API 调用逻辑

利用 `curl` 将脚本的输出通过 API 发送给 Ollama。假设你已经安装了 Ollama 并拉取了 `llama3` 或 `qwen2.5` 等模型。

INSPECT_RESULT=$(./check.sh)

curl http://localhost:11434/api/generate -d '{
"model": "llama3",
"prompt": "你是一个资深 Linux 运维专家。请分析以下服务器巡检 JSON 数据，指出存在的问题（如磁盘过高、服务宕机），并给出具体的解决建议。输出格式要求：先用一句话总结状态，然后分点列出问题和建议。\n巡检数据：'"$INSPECT_RESULT"'",
"stream": false
}'

利用 n8n 搭建自动化工作流

如果你不想手写 curl 命令，n8n 是个绝佳的图形化编排工具。在 n8n 中创建一个定时触发器，每 30 分钟触发一次。

1.SSH 节点：连接到 VPS，执行 `check.sh`，获取输出。
2.AI Agent 节点（或 HTTP Request 节点）：将 SSH 的输出作为 Prompt 的一部分，发送给 OpenAI、Claude 或本地 Ollama。
3.IF 节点：判断 AI 返回的内容中是否包含“严重”、“错误”等关键词。
4.Slack/Email 节点：如果 IF 条件成立，自动发送报警消息给管理员。

这种工作流非常灵活，适合部署 AI Agent 进行自动化运维。

优化输出与 Prompt 技巧

直接把几千行日志丢给 AI 既浪费钱又容易产生幻觉。在 Prompt 中明确告诉 AI“只关注 Error 级别日志”或“只分析最近 10 分钟的数据”非常关键。

处理超长日志截断

VPS 的日志可能很长，超过了模型的 Context Window（上下文窗口）。在脚本里加个过滤逻辑，只取最后 50 行，或者用 `grep -i error` 先筛选。

ERROR_LOGS=$(journalctl -u nginx –since "1 hour ago" | grep -i error | tail -n 50)

Prompt 结构化建议

给 AI Agent 的指令要明确。不要问“服务器怎么样？”，要问“根据以下 JSON 数据，如果磁盘使用率超过 80%，请给出清理日志的命令；如果 Nginx 状态是 failed，请给出重启命令和排查思路。” 这样 AI Agent 生成的建议才是可执行的，而不是废话。

老鸟叮嘱

1.权限最小化：不要用 root 账号跑自动化脚本，也不建议给 AI Agent 直接的 root shell 权限。让 Agent 输出命令，人工确认后再执行，或者通过 sudo 配置有限的白名单命令。
2.本地模型优先：服务器巡检数据包含 IP、路径甚至部分业务信息。能跑本地模型（Ollama）就不要用公网 API，数据安全永远是第一位的。
3.别迷信 AI：AI 总结的问题只是参考。如果 AI 说“内存溢出”，先看 `dmesg` 或 `free -m` 确认，有时候模型会因为日志里的一句“Out of memory”就误报，实际上可能只是某个进程被杀掉了。
4.资源预留：跑 AI 模型本身很吃内存和显存。如果你的 VPS 只有 1G 内存，强行跑 Llama3 可能会把巡检脚本本身卡死。建议在低配机器上只做脚本采集，数据发送到另一台高性能机器进行分析。

FAQ

Q：我的 VPS 配置很低，能跑这个方案吗？
A：可以，但建议拆分架构。低配 VPS 只运行 `check.sh` 采集数据，通过 Webhook 发送到远程服务器或 n8n，由配置较好的机器运行 AI 模型进行分析。

Q：AI Agent 能直接帮我修复问题吗？
A：技术上可以，比如让 Agent 执行 `systemctl restart nginx`。但风险很大，建议初期只让 Agent 生成“建议执行命令”，由人工审核后再执行，或者配置非常严格的命令白名单。

Q：除了 Ollama，还能用哪些模型？
A：只要提供 OpenAI 兼容 API 的都可以。比如 DeepSeek、通义千问的本地版，或者直接调用 Claude API。对于运维日志分析，参数量在 7B-14B 的模型通常就够用了。

Q：巡检脚本如何监控 Docker 容器？
A：在脚本中加入 `docker ps -a –format "table {{.Names}}\t{{.Status}}"` 即可。AI 能读懂这种表格格式，并分析哪些容器是Exited状态。

Q：如何避免 AI 重复发送相同的报警？
A：在 n8n 或脚本逻辑中加入“静默期”标记。比如记录上次报警的时间，如果错误内容一样且间隔不足 1 小时，就跳过发送。

服务器自动化运维的核心在于“数据标准化”和“执行逻辑分离”。通过简单的 Shell 脚本配合 AI Agent 的分析能力，我们能把原本需要半小时的人工排查缩短到几秒钟。虽然 AI 不能替代所有运维工作，但在处理海量日志和生成初步排查建议方面，它确实是个得力助手。