Panda工单诊断机器人-架构与实现实战指南
前言
想象一个场景:凌晨三点,值班群跳出一个 CD 部署告警。值班工程师爬起来,登上平台、查工单、切集群、看 Pod 事件,发现是一个 ImagePullBackOff。继续查 Kubelet 日志,发现是 Harbor 节点的磁盘满了。整个过程花了 20 分钟——而这个问题上个月其实已经出现过两次,但每次换人值班,排查过程依然是从零开始。
这是运维诊断的核心矛盾:排查经验是团队最宝贵的资产,但它几乎不可复用。
gops-llm 就是为了解决这个问题而生的。它是一个基于 LLM 的运维工单诊断 Agent——接收失败工单,自动调用排查工具,产出结构化诊断结论。
一句话概括:gops-llm 的核心链路是"Skills 主导诊断流程 → Genkit 驱动工具循环 → Run Engine 记录轨迹 → Signal 后验修正"——从工单到诊断结论的全自动闭环。
1. 系统定位
gops-llm 不是通用 AI 聊天机器人,而是一个垂直于 DevOps 工单诊断的专用 Agent。它严格按照不同工单类型预定义的流程来排查,不自己瞎猜。
支持八种工单类型:
| 工单类型 | 场景 | 诊断 Skill |
|---|---|---|
| CD | 持续部署失败(镜像拉取超时、Rollout 超时、资源不足等) | diagnose-cd |
| BK-CI | 蓝盾流水线构建失败(平台封装版) | diagnose-bkci |
| BK-CI Native | 原生蓝盾流水线失败(OOM、超时) | diagnose-bkci-native |
| SQL | SQL 变更工单执行失败 | diagnose-sql |
| IaC | 基础设施即代码资源申请失败 | diagnose-iac |
| SLS 日志分析 | 日志异常根因诊断 | diagnose-sls-log |
| SLS 日志查询 | 交互式日志查询辅助 | assist-sls-log-query |
| Free Form | 无工单绑定的自由诊断 | diagnose-free-form |
每种工单类型对应一个独立的诊断 Skill 文件。诊断流程不硬编码在代码里,而是外置成可独立维护、运行时热加载的 Markdown 文件。 这是整个系统最重要的设计决策之一。
2. 技术栈
| 组件 | 选型 |
|---|---|
| 语言 | Go 1.25 |
| HTTP 框架 | Gin |
| 基础框架 | Sparrow(内部微服务框架,含配置、日志、服务发现) |
| Agent 运行时 | Firebase Genkit(Go SDK) |
| LLM 协议 | OpenAI 兼容 /v1/chat/completions,通过内部 LLM Gateway 路由 |
| 默认模型 | qwen3.6-plus(支持 Fallback 模型自动切换) |
| 数据库 | MySQL(GORM AutoMigrate) |
| 配置中心 | Apollo(热更新) |
| 可观测性 | OpenTelemetry OTLP/HTTP → Langfuse |
| Skills 来源 | GitLab 仓库(运行时定期同步到本地) |
为什么选 Genkit? 早期系统使用自研的 agentic 框架驱动 tool-calling 循环。随着工具数量膨胀到 20+、需要支持子任务委派和工具 ACL 控制,自研框架的维护成本迅速上升。Firebase Genkit 的 Go SDK 提供了开箱即用的 Generate() 循环、中间件机制、流式输出和 OpenTelemetry 集成,迁移后代码量减少约 40%。选 Genkit 而不是 LangChain,是因为 Genkit 是 Go 原生的,和我们的技术栈天然契合,不需要引入多语言维护成本。
3. 架构全景
3.1 项目目录结构
gops-llm/
├── cmd/server/
│ ├── main.go # 入口:Sparrow Application.Startup() 三阶段启动
│ └── bootstrap.go # 所有子系统的组装和接线
├── internal/
│ ├── agent/ # Agent 核心
│ │ ├── agent.go # 主循环(Session → Prompt → Genkit → 后处理)
│ │ ├── session.go # 会话管理(内存 + MySQL 持久化)
│ │ └── session_store.go # 带 TTL 的内存 SessionStore
│ ├── genkit/ # Genkit 运行时 & 工具
│ │ ├── init.go # Genkit 实例初始化(模型注册)
│ │ ├── runner.go # RunDiagnosis:中间件装配 + Generate 循环
│ │ ├── tools.go # RegisterAllTools:20+ 工具注册
│ │ ├── middleware_skills.go # SkillsWithACL:Skills 加载 + 工具 ACL
│ │ ├── sse_bridge.go # SSE 流式事件桥接
│ │ ├── context.go # 上下文传递(环境变量、ticket 信息)
│ │ └── tool_*.go # 各类工具实现(20+ 文件)
│ ├── diagnosis/ # 诊断结果
│ │ ├── extractor.go # 结构化分类提取(LLM 二次调用)
│ │ ├── output.go # DiagnosisOutput 模型 + Verdict 映射
│ │ ├── model.go # 数据模型
│ │ └── storage_mysql.go # MySQL 存储
│ ├── run/ # Run Engine
│ │ ├── engine.go # 诊断运行生命周期管理
│ │ ├── snapshot.go # RunSnapshot 不可变快照
│ │ ├── model.go # DiagnosisRun 数据模型
│ │ └── storage_mysql.go # MySQL 存储
│ ├── signal/ # 反馈信号
│ │ ├── processor.go # Signal 处理 + Verdict 状态机
│ │ └── model.go # 信号类型定义
│ ├── skill/ # Skills 同步
│ │ └── syncer.go # GitLab 多仓库同步
│ ├── gitlab/ # GitLab 客户端
│ │ └── client.go # API 客户端(文件读取、目录遍历)
│ ├── observe/ # 可观测性
│ │ └── tracer.go # OpenTelemetry → Langfuse OTLP 导出
│ ├── config/ # 配置
│ │ └── config.go # Apollo 热更新 + atomic.Pointer
│ ├── api/ # HTTP 路由
│ │ ├── router.go # 路由注册
│ │ ├── handler_agent.go # SSE 诊断端点
│ │ ├── handler_run.go # Run 查询端点
│ │ ├── handler_signal.go # Signal 提交端点
│ │ └── handler_proxy.go # LLM 代理端点
│ └── server/ # HTTP 服务器
│ └── server.go # Gin + Sparrow 包装
├── skills/ # 内置 Skill 文件
└── docs/ # 设计文档
3.2 四层架构图
flowchart TB
subgraph L1["Layer 1: 入口"]
API["POST /api/v1/agent/chat
SSE 流式"]
end
subgraph L2["Layer 2: Agent 核心"]
SESSION["Session 管理
内存 + MySQL"]
PROMPT["System Prompt 组装
角色 + 工单上下文 + Skill 路由"]
GENKIT["Genkit Runtime
Generate() 循环(最多 100 轮)
中间件链:Skills → SSE → Fallback → Retry"]
SESSION --> PROMPT --> GENKIT
end
subgraph L3["Layer 3: 工具层"]
SKILL["use_skill / list_skills"]
BASH["bash"]
DIAG["诊断工具
confirm_diagnosis / query_diagnosis_cache"]
GIT["git_inspect"]
HTTP["http_fetch / web_search"]
LOG["log_grep"]
IAC["IaC 工具套件
(8 个专用工具)"]
SLS["SLS 工具套件
(4 个专用工具)"]
DELEGATE["delegate_task
(并行子 Agent)"]
end
subgraph L4["Layer 4: 反馈与轨迹"]
RUN["Run Engine
轨迹记录 + 快照"]
SIGNAL["Signal 处理
Verdict 状态机"]
RUN --> SIGNAL
end
API --> SESSION
GENKIT --> SKILL & BASH & DIAG & GIT & HTTP & LOG & IAC & SLS & DELEGATE
GENKIT -->|创建 Run| RUN4. 端到端诊断流程
4.1 请求生命周期
flowchart TB
A["POST /api/v1/agent/chat (SSE)"] --> B["Session 管理"]
B -->|恢复已有会话| C["多轮对话继续"]
B -->|新会话| D["缓存检查"]
D -->|命中| E["指示 Agent 参考历史诊断"]
D -->|未命中| F["System Prompt 组装"]
F --> G["Run Engine 创建 DiagnosisRun"]
G --> H["构建 RunSnapshot
冻结工单信息"]
H --> I["Genkit Generate() 执行
中间件链:Skills → SSE → Fallback → Retry"]
I --> J["SSE 流式输出
chunk / tool_call / tool_result"]
J --> K["异步后处理"]
K --> K1["LLM 提取结构化分类
(ExtractDiagnosisOutput)"]
K --> K2["回填 verdict_level / trust_score / error_signature"]
K --> K3["双写 diagnosis_results(兼容旧系统)"]关键设计:SSE 流先结束,分类提取在后台异步执行。 因为用户只想尽快看到排查结论的流式输出,结构化分类(出故障报表用)如果在主链路中做,会让首字响应慢好几秒。
4.2 System Prompt 组装
Agent 的 System Prompt 由三部分拼接:
- 角色声明:你是一个专业的 DevOps 诊断 Agent
- 工单上下文:ticket_id、ticket_type、相关元数据
- Skill 路由指令:根据 ticket_type 映射到对应 Skill(
cd→diagnose-cd),指示 Agent 第一步调用use_skill加载该 Skill
Skill 路由映射表:
| ticket_type | Skill |
|---|---|
cd | diagnose-cd |
bkci | diagnose-bkci |
bkci_native | diagnose-bkci-native |
sql | diagnose-sql |
iac | diagnose-iac |
free_form | diagnose-free-form |
sls_log_analysis | diagnose-sls-log |
sls_log_query | assist-sls-log-query |
此外,系统还支持自动推断:如果 ticket_id 匹配 b-<uuid> 模式,自动识别为 BK-CI 工单。
Agent 的诊断能力可以通过更新 Skill 文件来改进,不需要改一行代码。
4.3 Genkit Runtime
核心循环由 Firebase Genkit 的 Generate() 驱动。RunDiagnosis() 负责装配中间件链和执行:
中间件链:SkillsWithACL → SSEBridge → Fallback → Retry
↓
Generate(ctx, model, systemPrompt, history, tools, maxTurns=100, streaming=true)
↓
每轮:LLM 返回 tool call → 执行工具 → 把结果喂回 LLM → 重复
↓
直到 LLM 输出纯文本(诊断结论)或达到轮次上限
四层中间件各自职责:
| 中间件 | 职责 |
|---|---|
| SkillsWithACL | Skills 加载、工具 ACL 过滤、References 注入 |
| SSEBridge | 拦截工具调用事件,转为 SSE tool_call / tool_result 事件 |
| Fallback | 主模型 429 限流时自动切备用模型 |
| Retry | 临时错误自动重试 |
5. Skills 驱动的诊断
5.1 先说人话
如果把 LLM 当作刚入职的实习生,那 Skill 文件就是你扔给他的"新人排查手册"。Skill 是一份纯 Markdown 文件,明确告诉 Agent 第一步查什么命令,第二步怎么分析日志,不能瞎操作哪些危险动作。这不是代码,这是数据。
5.2 Skill 文件结构
每个 Skill 是一个目录,核心是 SKILL.md 文件,可选包含 references/ 子目录:
skills/
├── diagnose-cd/
│ ├── SKILL.md # 主文件:YAML frontmatter + 诊断指引
│ └── references/ # 可选:补充参考资料
│ └── pod-events.md
├── diagnose-iac/
│ ├── SKILL.md
│ └── references/
│ ├── argo-workflow.md
│ └── terraform-errors.md
└── ...
SKILL.md 的 YAML frontmatter 定义元数据,其中最关键的是 allowed_tools——工具 ACL:
---
name: diagnose-iac
description: IaC 资源申请工单诊断
allowed_tools:
- iac_order_detail
- iac_build_detail
- iac_build_logs
- iac_argo_status
- iac_module_variables
- iac_package_diagnose
- iac_check_domain_icp
- iac_check_domain_cdn
- confirm_diagnosis
- query_diagnosis_cache
---
当 Agent 加载了这个 Skill,它只能调用列表中声明的工具。为什么要加这个限制? 实测发现,Agent 在没有约束的情况下,IaC 诊断时会"灵机一动"去调用 bash 执行 kubectl 命令——而 IaC 工单根本不涉及 K8s 集群。工具 ACL 给 Agent 划了明确的边界。
5.3 SkillsWithACL 中间件
这是 Skills 系统的核心引擎,扩展了 Genkit 内置的 Skills 中间件,增加了三个能力:
- 工具 ACL 过滤:解析
allowed_tools,在WrapGenerate中过滤工具定义,让 LLM 看不到不允许的工具 - Skill 激活跟踪:
WrapTool跟踪当前活跃的 Skill,在上下文中传递 - References 自动注入:当 Agent 调用
use_skill时,自动追加references/目录下所有.md文件的内容
5.4 加载与同步
flowchart LR
A["GitLab 仓库
(多个 repo)"] -->|定期同步(默认 30m)| B["本地 ./skills 目录"]
B -->|Genkit SkillsWithACL| C["use_skill 工具注册"]
C -->|Agent 调用| D["Skill 内容 + References 注入上下文"]
D -->|ACL 生效| E["工具列表动态过滤"]skill.Syncer 从 GitLab 定期拉取 Skill 文件,支持多仓库多分支配置。同步时自动将扁平 .md 转换为 Genkit Skill 目录结构(diagnose-cd.md → diagnose-cd/SKILL.md),已结构化的文件保持原样。
这意味着 SRE 团队可以像维护文档一样维护诊断流程——在 GitLab 上编辑 Markdown,不需要发版、不需要重启服务,下次诊断自动生效。
6. 工具系统
6.1 先说人话
Agent 的诊断能力不取决于 LLM 有多聪明,而取决于它手里有什么工具。gops-llm 注册了 20+ 工具,覆盖从通用 Shell 执行到 IaC 资源诊断、SLS 日志分析的全链路。
6.2 通用工具(始终注册)
| 工具 | 功能 | 关键参数 |
|---|---|---|
bash | Shell 命令执行 | 默认 30s 超时,最大 300s,输出限制 32KB |
confirm_diagnosis | 记录用户确认的根因 | 写入 diagnosis storage |
query_diagnosis_cache | 查询历史诊断缓存 | 按 ticket_id + ticket_type 匹配 |
git_inspect | 只读 Git 操作 | 支持 log / diff / show / blame 等 |
http_fetch | HTTP 请求 | 自动为内部域名注入认证头 |
log_grep | SLS 日志搜索 | 通过 poi CLI 执行 |
web_search | 网络搜索 | 条件注册,需配置搜索端点 |
bash 工具执行时自动注入环境变量(AUTH_KEY、BKCI_DOMAIN 等),使 Skill 文件中的 CLI 命令能直接使用平台认证。当前通过 bash + Skill 中的 CLI 指令(主要是 poi CLI)直接调用外部排查工具。 简单够用,不需要为每个排查操作单独封装工具。
6.3 IaC 专用工具(8 个)
IaC 诊断是最复杂的场景——一个资源申请失败可能涉及工单系统、CI 流水线、Argo Workflow、Terraform Module、域名备案等多个环节。为此封装了完整的工具链:
| 工具 | 功能 |
|---|---|
iac_order_detail | 查工单详情:哪些资源、什么状态 |
iac_build_detail | 查 BK-CI 构建:哪一步失败了 |
iac_build_logs | 看构建日志:自动过滤错误行,支持分页 |
iac_argo_status | 查 Argo Workflow:DAG 哪个节点挂了 |
iac_module_variables | 读 Terraform Module 的 variables.tf |
iac_package_diagnose | 一站式聚合诊断(工单 + Argo + 失败构建) |
iac_check_domain_icp | 域名 ICP 备案检查(阿里云 OpenAPI v3) |
iac_check_domain_cdn | CDN 域名所有权验证(阿里云 OpenAPI v3) |
6.4 SLS 日志工具(4 个)
日志分析有两种模式:
模式一:日志异常诊断(sls_log_analysis)——给一条锚点日志,Agent 自动展开上下文分析:
| 工具 | 功能 |
|---|---|
sls_log_diagnosis | 获取锚点日志 + 上下文候选列表 |
sls_log_context_window | 按时间窗口和字段过滤获取上下文日志 |
模式二:日志查询助手(sls_log_query)——帮用户写 SLS 查询语句:
| 工具 | 功能 |
|---|---|
sls_query_context | 获取 SLS 索引字段和已保存查询模板 |
sls_query_verify | 验证用户编写的查询语句是否有效 |
6.5 delegate_task:并行子 Agent
这是系统中最特殊的工具。它接收一组子任务描述,为每个子任务派一个独立的 Genkit Generate() 调用,并行执行:
- 最多 5 个并行子任务
- 每个子任务独立的 20 轮执行上限
- 每个子任务可以使用所有已注册工具
- 子任务之间无共享状态
为什么要并行? IaC 工单诊断时,需要同时查工单详情、Argo 状态、BK-CI 构建日志。串行执行总耗时 3 分钟,用户体感极差。delegate_task 让这些查询并行,总耗时压缩到最慢的那一个。
6.6 工具注册机制
所有工具通过 RegisterAllTools() 统一注册为 Genkit Tool。每个工具是一个泛型函数 genkit.DefineTool[Input, Output](),自带 JSON Schema 参数校验。delegate_task 最后注册——它在注册时接收所有其他工具的引用,这样子 Agent 可以使用完整的工具集。
7. Signal 反馈与 Verdict 状态机
7.1 先说人话
没有人能保证每次诊断都是百分百对的。用户在前端点个"赞"或"踩",甚至工单最终被关闭的事件,都会作为 Signal(信号) 回传给系统,持续修正这条诊断记录的"质量评级"。
7.2 五种信号
| 信号 | 来源 | 含义 | Trust Score 增量 |
|---|---|---|---|
accurate | 用户 | 确认诊断正确 | +0.15 |
disputed | 用户 | 否定诊断 | -0.40 |
confirmed | 维护者 | 维护者确认 | +0.30 |
rejected | 维护者 | 维护者拒绝 | -0.40 |
resolved | 系统 | 工单已解决 | +0.15 |
非对称惩罚是刻意设计:一条错误诊断的误导代价远大于缺失一条参考。 否定一次扣 0.40,确认一次才加 0.15——需要至少三次正向反馈才能抵消一次否定。Trust Score 始终 clamp 在 [0, 1] 范围内。
7.3 Verdict 状态转换
stateDiagram-v2
C --> B : accurate
C --> D : disputed
B --> A : confirmed / resolved
B --> D : disputed / rejected
A --> B : disputed| Level | 含义 | 默认 |
|---|---|---|
| A | 维护者确认的高质量诊断 | - |
| B | 用户确认的可信诊断 | - |
| C | 无反馈的初始诊断 | 是(trust_score=0.5) |
| D | 被否定的诊断 | - |
当 verdict 降到 D 时,memory_status 自动设为 rejected——该条记录被标记为不可信。
8. 核心数据表
8.1 diagnosis_runs(中枢表)
整个轨迹和反馈体系的中枢。Signal 反馈直接写入该表,verdict_level 和 trust_score 原地更新。
| 字段 | 类型 | 含义 |
|---|---|---|
ticket_id | varchar(128) | 工单 ID |
ticket_type | varchar(32) | cd / bkci / sql / iac / sls_log_analysis 等 |
service / module / env | varchar | 关联服务、模块、环境 |
snapshot_json | JSON | 创建时冻结的 RunSnapshot |
final_result_json | JSON | 结构化诊断结果(DiagnosisOutput) |
verdict_level | varchar(8) | A / B / C / D |
trust_score | decimal(3,2) | 0.00-1.00 |
error_signature | varchar(256) | 归一化错误特征 |
memory_status | varchar(16) | active / rejected |
signals_json | JSON | 所有反馈信号数组 |
status | varchar(16) | running / completed / failed |
source | varchar(16) | online / shadow |
trace_id | varchar(64) | Langfuse trace ID |
8.2 辅助表
| 表 | 用途 |
|---|---|
diagnosis_results | 兼容旧系统的缓存表,双写保证存量不受影响 |
diagnosis_conversations | 会话持久化(session_id + messages JSON),支持跨重启恢复多轮对话 |
9. 可观测性与配置
9.1 Langfuse 追踪
系统通过 OpenTelemetry 将 Trace 数据导出到 Langfuse:
OpenTelemetry TracerProvider(全局注册)
└── OTLP/HTTP Exporter → Langfuse
└── Basic Auth(PublicKey:SecretKey)
Genkit 的 Generate() 自动在全局 TracerProvider 上创建 Span。Agent.Run() 额外创建根诊断 Span,注入 Langfuse 属性(trace.name、session.id、ticket.id、ticket.type)。diagnosis_runs.trace_id 关联到 Langfuse,可从诊断记录直接跳转查看完整调用链。
工具调用轨迹由 Langfuse 承接,不需要自建 step 表。
9.2 Apollo 热更新
所有核心配置通过 Apollo 远程管理,使用 atomic.Pointer[Config] 实现无锁热更新:
| 配置项 | 作用 |
|---|---|
RunEngine.Enabled | Run Engine 总开关 |
RunEngine.DualWrite | 是否同时写旧 diagnosis_results 表 |
Agent.MaxTurns | 最大工具调用轮次(默认 100) |
Agent.SessionTTL | 会话过期时间(默认 30 分钟) |
SkillsSync.Interval | Skills 同步间隔(默认 30 分钟) |
Langfuse.Enabled | Langfuse 追踪开关 |
9.3 容错机制
| 容错机制 | 场景 |
|---|---|
| Fallback 中间件 | LLM 429 限流时自动切换到 fallback 模型 |
| Retry 中间件 | 临时错误自动重试 |
| 双写兼容 | 新旧两张表同时写入,保证存量系统不受影响 |
| 存储降级 | MySQL 不可用时自动降级为本地 JSON 文件存储 |
9.4 API 路由
| 路由 | 方法 | 功能 |
|---|---|---|
/api/v1/agent/chat | POST | 主诊断端点(SSE 流式) |
/api/v1/signal | POST | 提交反馈信号 |
/api/v1/runs | GET | 查询诊断记录列表 |
/api/v1/runs/:id | GET | 查询单条诊断记录 |
/api/v1/proxy/*/messages | POST | LLM 代理(Anthropic / OpenAI 格式) |
/health | GET | 健康检查 |
/swagger/* | GET | API 文档 |
10. 完整数据流:一个 CD 工单的一生
让我们把上面的机制串起来看,假设 Harbor 磁盘满导致 ImagePullBackOff:
1. 破冰(First Encounter)
报警触发,平台调用 POST /api/v1/agent/chat。Agent 创建 Session 和 DiagnosisRun,构建 RunSnapshot 冻结工单信息。System Prompt 组装完成后,Agent 调用 use_skill("diagnose-cd") 加载诊断 Skill,SkillsWithACL 激活工具限制并注入 references 内容。
Agent 按 Skill 指引执行排查:
bash: poi cd detail <ticket_id>——获取工单详情bash: kubectl describe pod xxx——看 Pod Eventslog_grep——搜索相关日志
LLM 结合 Skill 中的排查步骤和通用知识给出根因判断,SSE 流式返回诊断结论。异步后处理提取结构化分类,回填 verdict_level=C、trust_score=0.50。
2. 确认(Feedback)
提单人看了诊断,去清理了磁盘解决了问题,顺手点了个赞。Signal 机制触发:verdict 升为 B,trust_score 上涨到 0.65。
3. 加速(Cache Hit)
第二天,隔壁组也遇到了同样的错。Agent 通过 query_diagnosis_cache 命中上次的诊断结论,参考历史结果,诊断速度大幅提升。
这就是当前的核心闭环——Skills 定义流程,工具执行查询,Signal 修正质量。
11. 设计决策与演进方向
11.1 明确不做的事
| 不做 | 原因 |
|---|---|
| 长会话上下文治理 | 工单排查讲究快准狠,以单次诊断为主,不需要复杂的会话压缩 |
| 模型微调 | 先把 Skill + Signal 反馈闭环跑到极致,ROI 更高 |
| Embedding 语义检索 | 当前通过 Skills + 专用工具直接查询更精准,不需要向量数据库 |
11.2 演进方向
当前系统已经具备了完善的多领域诊断能力(8 种工单类型、20+ 工具)和质量追踪机制(Signal + Verdict)。下一步的重点方向:
| 方向 | 描述 |
|---|---|
| 记忆召回 | 基于 error_signature 和 verdict 的历史案例召回,注入诊断上下文,让 Agent 拥有"团队记忆" |
| 语料沉淀 | 将反复出现且质量高的诊断自动聚类、提炼为可复用语料,推送到知识库 |
| 评测回流 | 标注数据 + 离线评测 pipeline,量化诊断质量并反向修正门槛 |
最终目标:从"做诊断"到"沉淀诊断",从"解决一个工单"到"解决一类工单"。
12. 核心参考资料
| 资料 | 位置 |
|---|---|
| Agent 核心代码 | gops-llm/internal/agent/agent.go |
| Genkit 运行时 | gops-llm/internal/genkit/runner.go |
| 工具注册与实现 | gops-llm/internal/genkit/tools.go + tool_*.go |
| Skills ACL 中间件 | gops-llm/internal/genkit/middleware_skills.go |
| Signal 状态机 | gops-llm/internal/signal/processor.go |
| Run Engine | gops-llm/internal/run/engine.go |
| 诊断分类提取 | gops-llm/internal/diagnosis/extractor.go |