一名云计算从业者的思考

大家都在搜：

热搜词1 热搜词2 热搜词3

当前位置：首页 > Serverless > 正文内容

当AI学会用AWS CLI：AIOps实践的新思路

anycodes4个月前 (07-04)Serverless1740

让AI理解我们的问题已经不再新鲜，但让AI真正操作工具去解决问题，才是AIOps演进的关键一步。最近，我通过Dify平台构建了一个能够执行AWS CLI命令的AI Agent，这个看似简单的尝试，却揭示了运维智能化的一种新可能。

## 从工具到助手的跨越

传统的运维自动化遵循着严格的预定义逻辑——脚本按照既定的条件触发，执行固定的操作序列。这种模式在处理已知场景时效率很高，但面对复杂多变的实际问题时却显得力不从心。一个简单的例子：当用户说"我的应用响应很慢"时，传统自动化工具无法理解这背后可能涉及的多个维度——是EC2实例的性能问题，还是RDS数据库的查询瓶颈，抑或是网络延迟？

而当我把AWS CLI的执行权交给AI Agent时，情况发生了根本性的变化。AI不再是简单地匹配关键词触发预设流程，而是真正理解问题的上下文，动态地选择和组合不同的CLI命令来探查问题。这种从"执行预定义流程"到"理解并解决问题"的转变，正是AIOps区别于传统自动化的核心所在。

## 架构设计：连接AI与基础设施

要让AI真正"学会"使用AWS CLI，核心挑战在于如何安全地将自然语言转换为系统操作。我设计了一个精简但完整的架构：

![070401.png](https://note.runor.cn/pic/home/bl/img/U1/070401.png)

这个架构的精妙之处在于其简洁性。通过Lambda Function URL，我避免了API Gateway的复杂配置，直接为AI提供了一个可调用的HTTPS端点。选择Lambda作为执行引擎有其深层考虑：它轻量且无状态，完美契合了AI Agent的调用模式——每次请求都是独立的，不需要维护会话状态；更重要的是，Lambda自带的IAM权限控制能力，让我能够精确地定义AI可以执行哪些操作，不能执行哪些操作。Lambda函数在这里扮演了一个关键的中介角色——它不是简单地转发命令，而是在AI的决策和AWS基础设施之间建立了一个安全可控的执行环境。

## 核心实现：让Lambda成为AI的手

Lambda函数是整个系统的执行引擎。它需要解决的核心问题是：如何在无状态的Lambda环境中运行AWS CLI？

```python
import json
import subprocess
import os
import urllib.request
import zipfile
import shutil

def lambda_handler(event, context):
    """
    AWS CLI代理函数
    注意：此代码仅供测试使用，生产环境需要优化
    """
    try:
        # 解析请求
        body = json.loads(event['body']) if isinstance(event.get('body'), str) else event.get('body', {})
        command = body.get('command', '')
        
        if not command:
            return {
                'statusCode': 400,
                'body': json.dumps({'error': 'No command provided'})
            }
        
        # 检查AWS CLI是否存在
        cli_path = "/tmp/aws-cli/aws-cli/aws"
        
        if not os.path.exists(cli_path):
            print("Installing AWS CLI...")
            
            # 下载AWS CLI
            urllib.request.urlretrieve(
                "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip", 
                "/tmp/awscliv2.zip"
            )
            
            # 解压
            with zipfile.ZipFile("/tmp/awscliv2.zip", 'r') as zip_ref:
                zip_ref.extractall("/tmp")
            
            # 设置权限并安装
            os.chmod("/tmp/aws/install", 0o755)
            
            # 创建安装目录
            os.makedirs("/tmp/aws-cli/aws-cli", exist_ok=True)
            
            # 执行安装
            subprocess.run([
                "/tmp/aws/install",
                "--bin-dir", "/tmp/aws-cli/aws-cli",
                "--install-dir", "/tmp/aws-cli/aws-cli"
            ], check=True)
            
            # 设置CLI可执行权限
            os.chmod(cli_path, 0o755)
            
            # 清理
            os.remove("/tmp/awscliv2.zip")
            shutil.rmtree("/tmp/aws", ignore_errors=True)
            
            print("AWS CLI installed successfully")
        
        # 替换命令中的aws
        if command.startswith('aws '):
            command = command.replace('aws ', f'{cli_path} ', 1)
        
        # 执行命令
        result = subprocess.run(
            command,
            shell=True,
            capture_output=True,
            text=True,
            timeout=30
        )
        
        return {
            'statusCode': 200,
            'headers': {
                'Content-Type': 'application/json',
                'Access-Control-Allow-Origin': '*'
            },
            'body': json.dumps({
                'stdout': result.stdout,
                'stderr': result.stderr,
                'returncode': result.returncode,
                'command': command
            })
        }
        
    except Exception as e:
        print(f"Error: {str(e)}")
        return {
            'statusCode': 500,
            'body': json.dumps({'error': str(e)})
        }
```

这段代码展示了一个实用主义的选择：动态安装AWS CLI。作为一个概念验证（PoC），我优先考虑的是快速实现和验证可行性。虽然每次冷启动都要花3-5秒下载CLI，但这种方案的好处是部署简单，无需管理额外的依赖层。当然，在生产环境中，将AWS CLI预装到Lambda Layer是标准做法——这能显著减少冷启动时间并提高执行效率。但在探索阶段，这种"先跑起来"的方案让我能够快速验证AI Agent调用AWS CLI的整体思路，而不被基础设施的配置细节所困扰。

## 部署指南：三步启用AI助手

### 第一步：创建Lambda函数

1. 在AWS控制台创建新的Lambda函数
2. 选择Python 3.9运行时
3. 将上述代码粘贴到函数中
4. 配置基础设置：
   - 内存：512MB（AWS CLI需要较多内存）
   - 超时：60秒（考虑到首次安装CLI的时间）

### 第二步：配置函数权限和URL

关键是要启用Function URL，这样Dify才能直接调用：

1. 在函数配置中找到"函数URL"
2. 创建函数URL，认证类型选择"NONE"（测试环境）
3. 记录生成的URL，格式类似：`https://xxxxx.lambda-url.region.on.aws/`

权限配置是安全的核心。根据你希望AI具备的能力，创建相应的IAM权限策略。比如只允许查询操作，或者允许创建Support案例等。记住一个原则：最小权限原则——只给AI它真正需要的权限，同时明确禁止所有可能造成破坏的操作。

### 第三步：在Dify中配置AI Agent

在Dify中创建自定义工具是关键步骤。这不仅是技术配置，更是在教AI如何使用这个工具。

**创建自定义工具：**

工具名称：`aws_cli_executor`

OpenAPI Schema：
```yaml
openapi: 3.0.0
info:
  title: AWS CLI Executor
  version: 1.0.0
servers:
  - url: https://your-function-url.lambda-url.region.on.aws
paths:
  /:
    post:
      summary: Execute AWS CLI command
      operationId: executeAwsCli
      requestBody:
        required: true
        content:
          application/json:
            schema:
              type: object
              properties:
                command:
                  type: string
                  description: The AWS CLI command to execute
              required:
                - command
      responses:
        '200':
          description: Successful execution
          content:
            application/json:
              schema:
                type: object
                properties:
                  stdout:
                    type: string
                  stderr:
                    type: string
                  returncode:
                    type: integer
```

![070406.png](https://note.runor.cn/pic/home/bl/img/U1/070406.png)

![070407.png](https://note.runor.cn/pic/home/bl/img/U1/070407.png)

**配置Agent提示词：**

提示词的设计直接影响AI的行为模式。我需要在赋予能力的同时，植入安全意识：

```markdown
你是一个AWS云服务管理助手，可以帮助用户查询AWS资源和创建Support案例。

## 核心能力
你可以通过aws_cli_executor工具执行AWS CLI命令来：
- 查询AWS资源状态（S3、EC2、RDS等）
- 获取CloudWatch指标
- 创建AWS Support案例
- 查看账户和权限信息

## 工作原则
1. 安全第一：只执行查询和必要的创建操作，绝不执行删除、停止或修改操作
2. 用户友好：将技术输出转换为易懂的信息
3. 主动建议：发现问题时主动提供解决建议

## 命令示例
- 列出S3存储桶：`aws s3 ls`
- 查询EC2实例：`aws ec2 describe-instances --query 'Reservations[].Instances[].{ID:InstanceId,Type:InstanceType,State:State.Name}'`
- 获取RDS实例：`aws rds describe-db-instances`
- 查询特定区域资源：`aws ec2 describe-instances --region us-west-2`

## 交互指南
1. 理解用户真实需求，不要机械执行
2. 对于模糊请求，先询问具体需求
3. 执行命令后，解释结果的业务含义
4. 发现异常时，主动提供下一步建议
```

![070408.png](https://note.runor.cn/pic/home/bl/img/U1/070408.png)

## 实战效果：从命令到对话

配置完成后，我就拥有了一个真正理解AWS的AI助手。让我看看实际的对话效果：

![070403.png](https://note.runor.cn/pic/home/bl/img/U1/070403.png)

![070405.png](https://note.runor.cn/pic/home/bl/img/U1/070405.png)

![070402.png](https://note.runor.cn/pic/home/bl/img/U1/070402.png)

这种交互展示了AI的关键能力：它不仅执行了命令，还理解了查询结果的含义，识别出了存储桶的使用模式，甚至主动提供了进一步的帮助建议。这正是AIOps的价值所在——AI成为了一个真正理解基础设施的智能助手，而不是一个机械的命令执行器。

## 生产化考量：从原型到产品

虽然当前实现已经可以工作，但要在生产环境使用，还需要几个关键优化。首先是性能优化，可以将AWS CLI预装到Lambda Layer中，避免每次冷启动都要下载。其次是安全增强，在Dify和Lambda之间添加API Key认证或HMAC签名机制，防止未授权调用。最后是审计追踪，通过结构化日志记录每次命令执行的完整上下文，包括用户意图、执行命令、结果和耗时等信息。

额外补充，Amazon Q Cli 在处理命令的时候会进行二次确定，其实这个工具也最好加上这个能力，相对来说合规性和安全性会更有保障。

这些优化看似是技术细节，实则反映了一个重要原则：在AI时代，我们不仅要让系统能工作，更要让它安全、可靠、可审计。当AI开始操作关键基础设施时，每一个设计决策都可能影响到系统的稳定性和安全性。

## 深层思考：运维范式的转变

这个AWS CLI Agent的实践让我看到了AI在运维中的一种实用场景。最直接的价值是减少了记忆负担——不用再去查AWS CLI的参数格式，直接用自然语言描述需求就行。对于日常的资源查询、状态检查这类重复性工作，AI确实能帮上忙。

但我也清楚这只是个开始。AI目前还只能处理相对简单的查询和操作，复杂的故障排查、架构优化仍然需要人的经验和判断。不过，如果能把一些routine的工作交给AI，运维人员确实能有更多时间去处理更有挑战性的问题。

这种模式的可扩展性也值得探索。除了AWS CLI，理论上可以让AI学会使用其他运维工具。但每个工具都有其特殊性和安全考虑，不是简单复制就能搞定的。至于多个AI Agent协同工作，目前看还比较遥远——先把单个Agent做稳定、做安全才是重点。总的来说，AI不是要革命性地改变运维，而是作为一个有用的工具，让日常工作更轻松一些。

## 总结

让AI学会使用AWS CLI，看似只是一个技术实现，实则是运维智能化道路上的重要一步。正如我在之前的文章[《运维聊天机器人实践：用AI解决日常痛点》](https://www.runor.cn/?id=14)中提到的，AI正在改变运维的工作方式。而今天的实践更进一步——从理解问题到解决问题，从被动响应到主动执行，AI正在成为运维工程师真正的智能助手。

这或许就是AIOps的真正意义：**不是自动化取代人类，而是智能化增强人类**。当我们站在这个变革的起点，一个更智能、更高效、更人性化的运维时代正在到来。

扫描二维码推送至手机访问。

本文链接：https://www.runor.cn/?id=19

分享给朋友：

返回列表

上一篇：当AI成为云函数的"造物主"：从AI Coding到AI Service的演进

没有最新的文章了...

“当AI学会用AWS CLI：AIOps实践的新思路” 的相关文章

刘博说云

大家都在搜：

当AI学会用AWS CLI：AIOps实践的新思路

“当AI学会用AWS CLI：AIOps实践的新思路” 的相关文章

Serverless的成本悖论：当抽象层成为价格杠杆

Serverless 架构在 AI 时代的新机会：从边缘走向中心

FaaS+Agent：深入探索无服务器计算的产品边界

与其AgentCore不如FC：函数计算FC如何重塑AI Agent开发

当AI成为云函数的"造物主"：从AI Coding到AI Service的演进

发表评论

Powered By Z-BlogPHP. Theme by TOYEAN.

刘博说云

大家都在搜：

当AI学会用AWS CLI：AIOps实践的新思路

“当AI学会用AWS CLI：AIOps实践的新思路” 的相关文章

Serverless的成本悖论：当抽象层成为价格杠杆

Serverless 架构在 AI 时代的新机会：从边缘走向中心

FaaS+Agent：深入探索无服务器计算的产品边界

与其AgentCore不如FC：函数计算FC如何重塑AI Agent开发

当AI成为云函数的"造物主"：从AI Coding到AI Service的演进

发表评论取消回复

Powered By Z-BlogPHP. Theme by TOYEAN.

发表评论