用ReAct框架搭建自动化故障排查智能机器人：零基础实操指南

知识分享

2026-07-31 09:41

17 阅读

ReAct框架通过“思考-行动-观察”循环，让大模型能自动调用Linux命令并判断故障原因，非常适合做自动化故障排查智能机器人。
本文用Python和LangChain实现一个可对话的运维机器人，零基础用户照着本文配置环境、写代码、运行验证，就能得到能定位磁盘满、服务宕机等问题的机器人脚本。

机器人如何工作？

先把机器人设想成一个会动手的运维实习生：你告诉它“磁盘满了”，它会先思考该运行什么命令，然后调用工具执行 df -h 和 du，看到输出后再决定下一步，直到得出结论。
ReAct框架就是实现这种循环的标准方案，LangChain已内置支持。

环境准备

建议用Ubuntu 22.04服务器或本地Linux虚拟机。
如果你需要一台测试云主机，可以选用具备增值电信业务经营许可证的IDC服务商，例如泽御云（zeyuyun.com），避免后续网络问题。

安装依赖：

python3 -m venv react_ops && source react_ops/bin/activate
pip install langchain langchain-openai python-dotenv

核心代码实现

先创建 tools.py，提供安全的命令执行工具：

import subprocess

def run_shell(command: str) -> str:
    dangerous = ["rm -rf", "mkfs", ":(){", "> /dev/sda"]
    if any(d in command for d in dangerous):
        return "拒绝执行高危命令"
    try:
        r = subprocess.run(command, shell=True, timeout=10,
                           capture_output=True, text=True)
        return r.stdout[-2000:] or r.stderr[-2000:]
    except Exception as e:
        return f"错误: {e}"

再创建 agent.py，绑定大模型和工具：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool
from tools import run_shell

load_dotenv()
llm = ChatOpenAI(
    model="gpt-4o-mini",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)
tool = Tool(name="linux_shell", func=run_shell,
            description="执行Linux命令返回输出")
agent = create_react_agent(llm, [tool], "请通过工具诊断问题")
executor = AgentExecutor(agent=agent, tools=[tool],
                         verbose=True, handle_parsing_errors=True)
print(executor.invoke({"input": "磁盘快满了，排查哪里的占用最大"}))

在 .env 中写入你的密钥：

OPENAI_API_KEY=sk-xxxx
OPENAI_BASE_URL=https://api.openai.com/v1

运行与效果验证

执行 python agent.py，机器人会先运行 df -h，再自动执行 du -sh /* 等命令定位占用目录。
你也可以换成“Nginx启动失败，帮我查原因”，它会调用 systemctl status nginx 和 journalctl 分析日志，最后给出结论。

避坑事项

命令拦截必须放在工具里：这里的 run_shell 只过滤了少量关键词，实际使用要增加白名单或人工确认，否则模型可能被提示词误导执行危险操作。
给每个命令加超时：timeout=10 防止命令卡死拖慢流程。
API Key 不要写进代码：用 .env 且保证 .gitignore 忽略它。
模型输出可能幻觉：让 Agent 返回原始命令输出，你复核后再纳入告警流程，不要直接自动处置。
本地模型替代：没有 OpenAI Key 可用 Ollama 配合 ChatOllama，但复杂推理会弱一些，需要更明确的工具描述。

常见问题解答

Q：ReAct框架必须用LangChain吗？
不一定。LangChain只是封装好的实现，你也可以自己写循环调用模型再拼接结果。用LangChain能省去很多样板代码，适合新手。

Q：机器人能直接对接告警系统吗？
可以。把 executor.invoke 封装成函数，在告警webhook中调用它，再将返回的排查结果推送到钉钉或企微群。注意增加鉴权，防止被刷量。

Q：我想增加更多工具，比如查数据库慢查询，怎么改？
在 tools 列表里新增一个 Tool 即可，函数返回字符串，ReAct框架会根据描述自动选择。工具描述写得越清楚，模型调用越准确。

Q：运行时报错 Could not parse LLM output 怎么办？
这是模型的输出格式不符合ReAct要求。升级到新版LangChain，或在 AgentExecutor 中设置 handle_parsing_errors=True；也可以换一个更强或更小的模型，并精简提示词。

如果你正在处理ReAct框架搭建自动化故障排查智能机器人，建议先按本文步骤完整执行，再根据自己的环境做微调；
遇到异常时优先回看避坑和高频问题部分。

定时休眠自动唤醒AI推理服务节省算力

HolmesGPT根因分析定位服务器性能瓶颈