Versus Incident：让 AI 替你盯着日志的开源事故管理平台

图1：Versus Incident 项目 Logo

一个真实场景：凌晨三点的告警风暴

凌晨3点，你被手机震醒——Slack、PagerDuty、邮件同时涌来几十条告警。你睡眼惺忪地点开每一条，逐条排查，40分钟后才发现只是某台服务器的定时任务导致的噪音日志。这不是故事，这是每一位 SRE（Site Reliability Engineer）的日常。

Versus Incident 想要终结这种"告警疲劳"。它不是一个传统的告警聚合工具，而是一个自托管的 AI SRE 智能体：你只需要告诉它日志源在哪里，它会自动学习"正常长什么样"，然后只在出现真正异常时——真正新的错误、意想不到的流量尖峰、规律被打破时——才发出事故单，其余噪音一律忽略。

项目起源：告警规则维护之痛

传统的告警体系依赖工程师手动编写告警规则：error rate > 5%、latency p99 > 500ms、CPU > 80%。这些规则在系统初期运转良好，但随着系统规模扩大、业务逻辑复杂化，告警规则本身成为了新的负担：规则之间相互依赖、阈值需要持续调优、新服务上线时要重新配置、误报和漏报永远在博弈。

Versus Incident 的出现正是对这一痛点的直接回应。区别于 incident.io、Rootly 等 SaaS 平台，Versus 完全开源，企业可以完全自托管，数据不离开自己的基础设施。同时，它将 AI 能力下沉到了告警入口，让 LLM 在日志层面就开始发挥作用，而非只是在事故发生后的摘要阶段介入。

技术架构：Go 后端 + React 前端 + 云原生部署

Versus Incident 采用典型的前后端分离 + 云原生架构： 图2：Versus Incident 品牌标识

层级	技术选型	说明
后端核心	Go 1.25 + Fiber v2	高性能 HTTP 框架，非 Gin/标准库
AI 引擎	cloudwego/eino + OpenAI	AI SRE Agent 的推理核心
前端	React 18 + TypeScript + Vite	最新 React 生态
UI 风格	Tailwind CSS 3.4 + Lucide React	简洁现代的图标和界面
状态管理	TanStack Query v5	数据获取和缓存
数据存储	PostgreSQL (pgx/v5) + Redis	事故单存储 + Agent 状态缓存
日志源支持	文件/Elasticsearch/Loki/CloudWatch/Graylog/Splunk	覆盖主流日志方案
通知渠道	Slack/飞书/Telegram/Viber/Email/MS Teams	几乎覆盖所有主流 IM

值得特别关注的是 cloudwego/eino —— 这是字节跳动开源的 AI 应用框架，专门用于构建 LLM 应用。Versus 将其作为 AI Agent 的推理引擎，驱动日志异常检测和事故分析的整个 AI 链路。这在开源事故管理工具中是相对少见的选型，主流竞品（如 Grafana/onCall）更倾向于直接调用 OpenAI API。

核心能力：三种 Agent 模式

Versus 的 AI SRE Agent 支持三种工作模式，覆盖从学习到上岗的全生命周期：

Training Mode（训练模式）

AI Agent 开始观察日志流，学习"正常"的模样。它会记录各种日志事件的频率、错误类型、时间分布，建立基线模型。这个阶段不产生任何告警，纯粹是数据积累。

图3：Training Mode 界面 — AI 正在学习日志正常模式

Detect Mode（检测模式）

AI Agent 基于训练阶段学到的基线，开始主动检测异常。任何与基线显著偏离的事件都会被标记：当某个错误类型首次出现、当流量突然出现尖峰、当某个服务的日志量骤降——这些都会被 AI 识别并自动生成事故单。

Detect Mode 是 Versus 的核心差异化能力：与传统的阈值告警不同，AI Agent 能感知上下文、识别未知异常、发现人类工程师可能遗漏的模式。

Shadow Mode（影子模式）

在影子模式下，AI Agent 继续检测和标记异常，但不会真正发出告警通知。这相当于一个"并行观察"阶段：团队可以在不影响现有告警体系的情况下，验证 AI 检测的准确性，逐步建立对 AI 的信任。

通知与升级：打通整个告警链路

一旦 AI Agent 创建了事故单，Versus 提供了完整的通知和升级路径：

1. 多渠道通知：Slack、飞书、Telegram、Viber、Email、Microsoft Teams——所有主流 IM 平台均可配置，通知模板完全可自定义（基于 Go 模板引擎）。
2. 飞书集成：提供了专门的中文支持（agent_lark.tmpl），对中国企业用户非常友好。
3. On-Call 升级：当事故未被确认时，可自动升级至 AWS Incident Manager 或 PagerDuty，确保严重事故不被遗漏。 图4：Slack 中的事故告警卡片

部署体验：Docker 一键启动，Helm 上生产

部署 Versus 非常简单。项目提供了完整的多阶段构建 Dockerfile：

• Node.js 构建阶段：编译 React 前端 UI（npm run build）
• Go 构建阶段：下载依赖、编译静态链接二进制（CGO_ENABLED=0）
• Alpine 运行阶段：极小镜像，只包含二进制和配置

docker-compose 一行命令即可启动完整环境，Helm Chart 支持生产级 Kubernetes 部署，Chart 依赖 Redis（Bitnami）。唯一需要额外配置的是 PostgreSQL 数据库连接。

硬件要求极低：2GB RAM、500MB 磁盘、无需 GPU。官方建议配合外部 PostgreSQL 和 Redis 使用（如已有云厂商 RDS，直接配置连接即可）。

局限与适用边界

需要注意的局限：

• AI 检测效果依赖 Training 阶段的数据质量——日志太少或噪声过大，基线模型就不够准确
• 目前仅支持结构化日志（JSON 或带 timestamp 的文本），纯非结构化日志需要额外预处理
• 作为自托管方案，Versus 需要团队有基本的运维能力维护 PostgreSQL + Redis
• 572 颗 GitHub 星标在开源事故管理工具中属于中等规模社区，生态和插件相比 PagerDuty 尚不丰富

最适合的场景：

• 中小型团队，预算有限，不希望每月为每个用户支付 $21+ 的 SaaS 费用
• 对数据主权有要求，必须将事故数据保留在自己基础设施内的企业
• 日志量适中（日活服务 5-50 个）、有一定 AI 接受度的 SRE 团队
• 需要飞书/钉钉集成，对接国内 IM 生态的团队

行业意义：告警 AI 化的开源样本

Versus Incident 代表了一个值得关注的方向：用 LLM 重新定义告警入口。传统告警的核心矛盾是"规则永远滞后于业务变化"，而 AI Agent 的思路是"让系统自己学会什么是正常"。这种范式转移在 AI Ops 领域已有探索，但 Versus 将其落地为完整的开源产品。

对比来看，PagerDuty 作为行业标杆已有 700+ 集成和成熟的 SaaS 生态，但其 AI 能力（2024年才推出）仍依赖与 OpenAI 的深度集成且数据需上云。incident.io 则在 AI-native 路线上走得最远，但其全 SaaS 模式不适合对数据合规有要求的企业。Versus 的定位恰好填补了两者之间的空白：开源 + AI-native + 可自托管。

572 颗星、92 个 Fork、持续更新的 CHANGELOG 和活跃的 GitHub Actions CI/CD，显示出这个项目正处于健康的活跃状态。随着 AI Agent 在运维领域的逐步落地，Versus 的技术路线——自托管 AI SRE 智能体——有潜力成为企业构建内部 AI Ops 平台的基础组件。

一句话评价：如果你正在寻找一个不需要月费、数据不出域、同时具备 AI 检测能力的事故管理工具，Versus Incident 是目前开源世界里最接近这个目标的选择。