AIOps 边缘运维闭环实践：PVE、Ceph、网络设备、裸金属与平台审计

边缘机房的运维平台，真正困难的不是“能不能连上设备”，而是“连上以后如何安全地执行、如何记录、如何失败隔离、如何给用户一个可信的结果”。

这个 AIOps 项目已经把 PVE、Ceph、网络设备、裸金属、公网 IP、SNAT 映射和平台审计放进了同一个闭环。但闭环设计来自真实运维知识：哪些命令只能只读、哪些操作必须二次确认、哪些凭据不能落盘、哪些产物不能直接给 AI。

本文主要讲功能和实现方法，不展开源码。重点不是证明“AI 能写代码”，而是说明：没有足够的运维和安全知识储备，很难写出让 AI 稳定落地这类平台的提示词。

1. 为什么边缘运维要做成闭环

边缘机房通常具备几个特点：机房多、网络边界复杂、内网地址可能重复、资源类型不统一、现场凭据敏感、故障排查窗口短。

如果用脚本方式处理，短期很快，长期会遇到几个问题：谁执行的、执行了什么、失败在哪一步、产物在哪里、能不能重跑、有没有越权、是否泄露凭据。

AIOps 的设计目标，是把这些问题变成平台能力：

发起任务 -> 权限校验 -> 中心编排 -> edge-agent 执行 -> 结果回传 -> 产物归档 -> AI 分析 -> 平台审计

闭环的价值不只是自动化，而是可追溯、可治理、可交付。

这也是 AI 开发的第一道门槛。你必须先知道闭环里有哪些环节，才能要求 AI 去实现它们。只说“做一个自动化巡检”，AI 不会天然知道哪些场景需要失败隔离、哪些产物需要脱敏、哪些操作不能开放。

2. 这套闭环背后的工程量

边缘运维闭环不是几个脚本页面的组合，而是一个跨中心平台和边缘执行器的工程体系。按非空行粗略统计，整个 AIOps 项目约 2,957 个文件、30.7 万行工程内容，仓库文件清单约 3,100+ 个文件。

和边缘闭环强相关的部分主要集中在三块：后端约 2,067 个文件，负责模型、权限、审计、任务、产物和编排；前端控制台约 702 个文件，负责多资源域页面、表格、弹窗、导入导出和操作台；edge-agent 约 153 个文件，Python 非空行约 3.5 万行，负责真正进入边缘网络做受控执行。

从结构上看，后端有 69 个 Controller、112 个 Service 实现、143 个 DAO 接口；前端 src/pages 下约 258 个页面文件；edge-agent src 下约 82 个 Python 文件。这些数字背后，是大量“看不见但必须有”的生产细节：参数校验、状态机、异常分支、权限拒绝、审计脱敏、产物归档、版本兼容和边缘失败隔离。

所以，用 Claude+Codex 开发这套平台，并不是把一段脚本交给 AI 改成网页。它更像是让 AI 在明确架构和提示词约束下，持续完成一个多模块、多边界、多发布物的大工程。

3. PVE 虚机生命周期

PVE 虚机操作是高风险能力。平台没有把它设计成“输入 IP 后直接重启”，而是拆成解析、核对、确认、执行、审计几个步骤。

典型流程是：

步骤	说明
选择机房	确定边缘网络和 Agent 范围
输入虚机 IP	支持单 IP 或多 IP 查询
解析候选虚机	从 PVE API、Guest Agent、配置和缓存中定位
用户核对	展示 VMID、节点、虚机名、IP、当前状态
二次确认	避免误操作高风险资源
执行动作	启动、停止、重置等受控操作
写入审计	保存操作者、目标、结果、失败原因和耗时

这里的“重置”被定义为“先停止再启动”，而不是直接执行 PVE 硬 reset。定义清楚动作语义，可以减少生产误解。

这类定义不是 AI 自动想出来的，而是运维经验转成提示词后的结果。越是高风险动作，越不能让 AI 自由解释业务语义。

4. Ceph 巡检与 AI 分析

Ceph 巡检不是复用 PVE 巡检接口，也不是把 Ceph 当成 PVE 的一个字段。它被设计成独立资源模型和独立巡检类型。

平台支持两类 Ceph：

类型	场景
PVE 超融合 Ceph	Ceph 运行在 PVE 节点上，和 PVE 集群有关联
独立 Ceph 集群	独立存储集群，按机房和 Agent 单独登记

中心平台负责选择范围、解密凭据、调用 edge-agent、保存结果、生成 Excel/图表、触发 AI 分析。edge-agent 只执行白名单只读命令，并返回结构化 JSON。

这条边界能避免两个风险。

第一，中心平台不直接 SSH 到边缘节点，减少网络和凭据暴露面。

第二，edge-agent 不保存长期凭据和最终产物，不会变成边缘侧小数据库。

5. 网络设备巡检

网络设备巡检的关键不是“能跑命令”，而是命令必须白名单化、产物必须受控下载、私钥必须脱敏。

平台支持网络设备台账、测试连接、自测巡检、批量测试、批量禁用、导入导出和 SSH Key 批量更新。

SSH 认证分为两种模式：

模式	说明
path	保存 edge-agent 容器内只读私钥路径
content	前端提交 PEM 私钥，后端加密保存，接口和审计不回显

巡检产物下载也有边界。edge-agent 只允许下载网络巡检输出目录下的合法产物，拒绝 _work 目录、临时私钥、路径穿越和输出根目录。

这类安全细节决定了网络巡检能不能用于生产。如果 artifact 里混入私钥或原始敏感输出，自动化越强，风险越大。

因此，AI 生成网络巡检能力前，提示词必须先锁死边界：只读命令、白名单 runtime、私钥脱敏、artifact 下载范围、失败设备隔离、ZIP 结构、AI 输入截断。少一个约束，都可能变成生产隐患。

6. 裸金属与配置中心同步

裸金属管理不是简单维护服务器列表，它还涉及节点状态、BMC、业务 IP、客户归属、批量分配、批量回收、电源操作和外部配置源同步。

平台里裸金属能力采用几个原则：

原则	作用
托管源启用后阻断手工入口	避免 Gitea、钉钉在线文档和人工导入互相覆盖
批量操作先整批预校验	避免部分成功造成状态不一致
电源操作写入审计	保留高风险操作追溯链
长任务后端异步执行	避免大 Excel 或批量同步卡死前端请求
空业务 IP 不视为错误	支持故障、未交付或未安装系统节点

这些设计都来自生产场景。AI 开发时，如果只按“增删改查”实现，会漏掉大量状态机和运维边界。

7. 公网 IP 与 SNAT 映射

公网 IP 管理被放在边缘运维下，但它不是 edge-agent runtime 能力。公网 IP 是中心平台的权威数据，不需要 Agent 到网络设备上执行变更。

平台支持公网 IPv4 台账、CIDR 拆分、父子段关系、单 IP 分配、回收、删除、批量导入、运营商识别和审计。

SNAT 映射自动生成则是面向网络侧交付的能力：根据容器 IP 清单和公网 SNAT IP/CIDR 清单，轮询生成分组映射，保存不可变历史版本，并支持 Excel、TXT 下载和历史版本对比。

这类功能的重点是“生成可信交付物”，不是自动改防火墙。第一阶段不自动下发网络配置，是一个很重要的边界。

8. 平台操作审计

AIOps 把操作审计从“系统用户审计”升级成“平台操作审计”。审计域不只覆盖系统管理，也覆盖边缘运维等高风险模块。

审计页支持按审计域、模块、动作、状态、关键字和时间范围查询。表格保留操作者、目标用户、资源、状态、开始时间、耗时和详情入口。

生产审计要注意两件事。

第一，审计不是简单保存 HTTP 请求体。请求体里可能有密码、Token、私钥、OIDC 信息或验证码。平台只记录语义化快照和脱敏摘要。

第二，审计写入要覆盖成功和失败。失败记录同样重要，因为它能证明越权、参数错误、状态不允许等情况确实被平台拦截。

9. AI 分析如何接入

巡检的 AI 分析不应该把所有原始输出无脑塞进 prompt。这样既容易超长，也容易泄露敏感信息。

更合理的做法是使用任务摘要、设备状态、错误摘要、结构化 metrics 和经过截断的 resultJson。对网络巡检，默认不读取完整 raw 原始命令输出，也不直接下载 ZIP 给 AI。

这让 AI 分析更像“结构化诊断助手”，而不是“原始日志吞吐机”。它可以给出健康风险、异常项解释和排障建议，但不能替代白名单边界和人工确认。

换句话说，AI 在这里不是被放到生产系统里“自由判断”，而是被放到一个受控输入、受控输出、受控权限的诊断位置。这个边界设计比调用模型本身更重要。

10. 为什么这套方法适合 Claude+Codex

边缘运维闭环涉及很多跨层改动：前端页面、后端编排、权限 SQL、审计模型、Agent runtime、产物下载、AI prompt、发布文档和浏览器验证。

Claude+Codex 适合这种工作，因为它可以在同一个上下文里连续推进多个文件和多个模块。但要让它稳定产出，必须给出强约束：

先读设计文档。
先确认目标和非目标。
危险操作必须后端校验。
凭据不得回显。
SQL 必须幂等。
edge-agent 变更必须同步版本和 capabilities。
每轮变更必须写回开发流和发布说明。

这些约束把 AI 的产出从“能运行”推向“能上线”。

这里的含金量不在于“AI 帮我写了代码”，而在于你能把边缘运维的生产经验拆成清晰任务：哪些由中心平台负责，哪些由 edge-agent 负责，哪些必须进入审计，哪些必须拒绝，哪些必须在发布文档里提醒。

如果没有这些知识储备，即使模型能力很强，也只能生成一个看起来能跑、但很难上线的工具。

11. 小结

AIOps 边缘运维闭环的核心，不是把所有设备都接进来，而是把每一次查询、巡检、操作和分析都放进受控链路。

PVE 负责虚机生命周期，Ceph 负责存储巡检，网络设备负责只读网络巡检，裸金属负责节点和电源状态，公网 IP/SNAT 负责网络资源交付，平台审计负责把所有高风险动作串起来。

中心平台保存权威状态，edge-agent 做无状态受控执行，AI 分析基于脱敏结构化数据工作。这个组合，才是边缘运维从脚本走向平台化的关键。

这也是我认为 AI 开发真正有价值的地方：它让有经验的人把复杂系统更快落地，而不是让没有经验的人绕过系统设计、风险判断和生产验收。

---