AI Agent自动执行服务器巡检，生成巡检报告
如果你希望服务器巡检不再靠人工登录逐台敲命令，而是由 AI Agent 按计划自动采集指标、分析异常并输出报告，那么核心思路可以拆成三件事：用脚本采集原始数据，用 Agent 做分析和总结，用定时任务保证它自动跑。
本文面向零基础运维人员，带你从零搭出一套可落地的自动巡检流程，最终得到一份每天自动生成的巡检报告。
这套自动巡检适合什么场景
它最适合中小规模的 Linux 服务器环境，比如几台到几十台云主机、独立服务器或宝塔面板管理的机器。
典型用途包括：
- 每天固定时间检查 CPU、内存、磁盘、负载和关键进程；
- 发现磁盘快满、服务掉线、连接数异常时提前告警；
- 把原始指标整理成人类可读的报告，减少人工写巡检记录的时间。
需要提前说清楚：AI Agent 负责的是“分析、归纳和生成报告”，原始数据仍要由巡检脚本或系统命令采集。
让 Agent 直接执行高危命令并不安全，建议让脚本只读采集，Agent 只处理文本结果。
准备条件
动手前先确认三件事：
- 一台能 SSH 登录的 Linux 服务器，建议用 Ubuntu 20.04+ 或 CentOS 7+；
- 已安装 Python 3.8 以上，可用
python3 --version检查； - 一个可调用的 AI 模型接口（本地模型或云端 API 均可），并能通过命令行或 Python 调用。
如果机器上没有 jq、curl 这类常用工具，先安装：
# Ubuntu/Debian
apt update && apt install -y curl jq
# CentOS/RHEL
yum install -y curl jq第一步：写一个只读巡检采集脚本
在 /opt/check/ 下新建 collect.sh，让它只输出文本，不改动系统状态：
#!/bin/bash
OUT=/opt/check/raw_$(date +%F).txt
echo "===== 巡检时间 $(date) =====" > $OUT
echo "--- 主机名 ---" >> $OUT
hostname >> $OUT
echo "--- 负载 ---" >> $OUT
uptime >> $OUT
echo "--- 内存 ---" >> $OUT
free -m >> $OUT
echo "--- 磁盘 ---" >> $OUT
df -h >> $OUT
echo "--- 占用最高的进程 ---" >> $OUT
ps aux --sort=-%cpu | head -6 >> $OUT
echo "--- 监听端口 ---" >> $OUT
ss -tlnp >> $OUT赋予执行权限后手动跑一次：
chmod +x /opt/check/collect.sh
/opt/check/collect.sh
cat /opt/check/raw_$(date +%F).txt验证标准：能看到负载、内存、磁盘、进程和端口几个区块，说明采集正常。
脚本里不要加入 rm、reboot、systemctl restart 这类写操作。
第二步：让 AI Agent 读取数据并生成报告
写一个 Python 脚本 report.py，把采集结果交给 Agent 分析，并要求它按固定格式输出：
import datetime, requests
raw = open(f"/opt/check/raw_{datetime.date.today()}.txt").read()
prompt = f"""你是服务器巡检助手。请阅读下面的只读采集数据，
输出中文巡检报告，包含：1) 总体结论 2) 异常项 3) 建议处理动作。
数据：\n{raw}"""
resp = requests.post(
"http://你的模型接口地址/v1/chat/completions",
json={"model": "你的模型名", "messages": [{"role": "user", "content": prompt}]},
timeout=60
)
report = resp.json()["choices"][0]["message"]["content"]
open(f"/opt/check/report_{datetime.date.today()}.md", "w").write(report)
print("报告已生成")把接口地址和模型名替换成你实际使用的值。
运行 python3 /opt/check/report.py，如果提示“报告已生成”，再打开 /opt/check/report_日期.md 查看内容。判断标准：报告里应能明确指出磁盘使用率是否偏高、内存是否紧张等问题，而不是简单复述原始数据。
第三步：配置定时任务实现自动执行
用 crontab -e 添加一条计划任务，让脚本每天凌晨自动运行：
0 3 * * * /opt/check/collect.sh && /usr/bin/python3 /opt/check/report.py >> /opt/check/cron.log 2>&1保存后查看是否写入成功：
crontab -l结果验证：第二天检查 /opt/check/ 目录，应同时出现当天的 raw_日期.txt 和 report_日期.md；
如果没生成，先看 cron.log 里的报错。
避坑指南
- 不要给 Agent 写权限：让模型只分析文本，不直接连服务器执行命令，避免误删或误重启。
- cron 环境变量少：定时任务里建议写命令的绝对路径，例如
/usr/bin/python3，否则容易报“command not found”。 - 接口超时要有兜底：脚本里加
timeout参数，并在异常时记录日志，防止任务卡死。 - 报告别无限堆积：定期清理旧文件，例如在脚本末尾加
find /opt/check -name 'raw_*.txt' -mtime +30 -delete。 - 敏感信息脱敏：采集数据里如果含 IP、账号等，发给外部接口前先做替换处理。
怎么确认它真的在稳定工作
连续观察两到三天，重点看三处：cron.log 是否每次都有正常输出、报告文件是否按天生成、报告结论是否和手动执行 df -h、free -m 的结果一致。
只要这三点都稳定，就说明 AI Agent 自动执行服务器巡检、生成巡检报告的流程可以放心交给它了。
常见疑问
必须用云端大模型吗？
不一定，本地部署的模型同样可以通过接口调用，关键看你的机器性能和隐私要求。
一台 Agent 能管多台服务器吗？
可以。把每台机器的采集结果汇总到同一目录，再让 Agent 统一分析，就能生成一份多机汇总报告。
报告能自动发到邮箱或群机器人吗？
可以，在 Python 脚本末尾追加一段发送逻辑即可，建议先手动测试发送成功，再挂到定时任务里。
