Files

T

Blizzard a2d184b7ec feat(observability): OpenTelemetry 全链路追踪（Jaeger + NATS 跨总线传播）

新增 sundynix-shared/otelx：otelx.Init(ctx,服务名) 注册 W3C 传播器 + OTLP/HTTP
批量导出（默认 localhost:4318，docker 里的 Jaeger）；OTEL_SDK_DISABLED=true 关导出。
Jaeger 不在线 / 导出器构建失败都不阻断启动（可观测性是增益而非依赖）。

- NATS 跨进程传播（无现成中间件）：bus/trace.go 的 natsHeaderCarrier + inject/extract，
  PublishTask/CallTool 注入 traceparent，ConsumeTasks/ServeTool 抽出续上 → 链路跨总线连成一棵树。
- 埋点：gateway 挂 otelgin（HTTP server span，链路根）；dispatcher task.execute →
  node.<kind>（每节点，nctx 下传使工具/LLM 挂到节点下）→ llm.stream/llm.generate；
  bus 自动出 tool.call(client)↔tool.serve(server) 成对跨服务 span。
- docker-compose 加 jaeger all-in-one（UI :16686，OTLP :4318）。
- 依赖修复：otlptracehttp 触发 genproto 单体(旧)vs 拆分模块 ambiguous import（milvus 拉旧版），
  pin genproto 至后拆分版（go.work 工作区全局生效）。
- production_readiness.md 1.1 更新为「已实现」。

验证：真实 input→retriever→agent 任务在 Jaeger 出 14 span / 3 服务的完整树，
跨 NATS（publish→consume）、跨服务（tool.call→tool.serve）均连通，
瓶颈 kb_search 692ms、llm 1597ms 一眼可见；四模块 build+vet+test 全绿。

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

2026-06-24 11:35:08 +08:00

29 KiB

Raw Blame History

sundynix-agentix · 工业生产级演进蓝图

基于对当前代码库的深度审计（6 个服务模块 + 共享层 + 基础设施），从 8 个维度系统梳理"从高完成度 MVP 到工业生产级"还需引入的能力。

当前基线评估

在分析差距之前，先盘点已有的生产级基因（这些是优势，不需要从零开始）：

✅ 已有能力	现状
Prometheus 指标	Gateway 已埋 `sundynix_http_requests_total` / `duration` / `in_flight` 三个核心指标 (observability.go)
结构化访问日志	Gateway 已用 `slog.JSONHandler` 输出包含 request_id/method/route/status/latency 的 JSON 日志
Request ID 透传	`X-Request-ID` 生成 + 上下文注入已实现
熔断降级	Dispatcher 有完整的三态熔断器（Closed → Open → HalfOpen）(circuitbreaker.go)
输入护栏	正则检测提示词注入 + 超大请求体拦截 (guardrail.go)
输出护栏	流式脱敏疑似密钥/令牌 (output.go)
LLM 自动评测	规则 + LLM-as-judge 双路评分 (eval.go)
CI/CD 基础	GitHub Actions CI（Go build+vet+test / 前端 tsc / Python sandbox test）+ Release（Wails 跨平台构建）
限流	Redis 会话级 IP 限流 120/min (middleware/guardrail.go)
安全沙箱	Python Code Interpreter 有 Docker 隔离（禁网/non-root/丢 cap/限内存 CPU PID/只读根/tmpfs）+ AST 静态守卫
管理员权限	RequireAdmin 中间件 + 生产模式强制显式配置 `ADMIN_USER_IDS`

一、可观测性 (Observability)

目标：任何线上问题在 5 分钟内能定位到根因节点。

1.1 分布式链路追踪 (Tracing) — ✅ 已实现

已落地：OpenTelemetry 全链路追踪，一次任务从 Gateway → NATS → Dispatcher → MCP 工具的调用链在 Jaeger 里呈现为一棵 span 树。

启动器 sundynix-shared/otelx：各服务 main 调 otelx.Init(ctx, "服务名")，OTLP/HTTP 导出到 OTEL_EXPORTER_OTLP_ENDPOINT（默认 localhost:4318，docker 里的 Jaeger）；OTEL_SDK_DISABLED=true 整体关闭导出（仍保留传播器）。Jaeger UI: http://localhost:16686。
HTTP 入口：gateway 挂 otelgin 中间件，每个请求一个 server span（链路根 + 提取上游 traceparent）。
NATS 跨进程传播（关键）：sundynix-shared/bus 在 PublishTask/CallTool 把 W3C traceparent 注入消息头，ConsumeTasks/ServeTool 抽出续上——这是链路能跨总线连成一棵树的核心。
Eino 图埋点：task.execute → 每个 node.<kind> → tool.call/tool.serve（跨服务成对）→ llm.stream/llm.generate，层级与 ExecEvent 对齐。
实测一次「input→retriever→agent」任务出 14 span / 3 服务，瓶颈（kb_search 692ms、llm 1597ms）一眼可见。

与既有 Prometheus（metrics）+ slog（logs）合为可观测性三件套。下一步可补：slog 日志带 trace_id 互跳、mcp-py 接入、采样策略。

实现细节（原规划，已照此落地）：

┌─────────────────────────────────────────────────────────────────┐
│                    OpenTelemetry Tracing                        │
│                                                                 │
│  Gateway        NATS 消息头       Dispatcher       MCP Tools    │
│  ┌────────┐    ┌──────────┐     ┌────────────┐   ┌──────────┐  │
│  │ Span A │───▶│ W3C Ctx  │────▶│  Span B    │──▶│ Span C   │  │
│  │(HTTP)  │    │(Header)  │     │(图编排)    │   │(工具调用)│  │
│  └────────┘    └──────────┘     └────────────┘   └──────────┘  │
│                                                                 │
│  → 导出到 Jaeger / Tempo                                       │
└─────────────────────────────────────────────────────────────────┘

组件	方案	说明
SDK	`go.opentelemetry.io/otel`	Go 标准 OTel SDK
Gin 自动埋点	`otelgin` 中间件	替代/补充现有 Observe()，每个 HTTP 请求自动创建 span
NATS 跨进程透传	在 NATS 消息 Header 中注入 `traceparent` (W3C TraceContext)	bus.PublishTask / ConsumeTasks 双端抽 inject/extract
Eino 图节点埋点	每个节点 (agent/retriever/tool/branch) 创建 child span	与现有 ExecEvent 对齐，自动关联
后端	Jaeger (开发) / Grafana Tempo (生产)	Tempo 对接 Grafana 可视化

关键收益：一条 trace 覆盖 HTTP 入口 → DSL 解析 → NATS 发布 → Dispatcher 消费 → 记忆召回 → 图节点 1→2→3 → 工具调用 → Token 回流 → SSE 推送，任何环节慢/错一眼可见。

1.2 指标体系完善 (Metrics) — ⚠️ 部分

现状：Gateway 有 3 个 HTTP 指标，Dispatcher/MCP 无指标。

需补充：

新增指标	归属	说明
`sundynix_tasks_total{status}`	Dispatcher	任务处理计数（submitted/done/failed/timeout）
`sundynix_task_duration_seconds`	Dispatcher	任务端到端耗时直方图
`sundynix_llm_requests_total{model,status}`	Dispatcher	LLM 调用计数
`sundynix_llm_tokens_total{model,direction}`	Dispatcher	Token 用量（input/output）— 计费核心
`sundynix_llm_latency_seconds{model}`	Dispatcher	LLM 响应延迟 (TTFT / 总耗时)
`sundynix_tool_calls_total{tool,status}`	MCP-Go/Py	工具调用计数
`sundynix_rag_search_duration_seconds{path}`	MCP-Go	检索延迟（向量/全文/图谱/融合）
`sundynix_circuitbreaker_state`	Dispatcher	熔断器当前状态 (gauge)
`sundynix_nats_msgs_total{subject}`	Shared	NATS 消息流量

推荐栈：Prometheus + Grafana (已有 prometheus client)，补 Grafana 仪表盘。

1.3 日志标准化 — ⚠️ 部分

现状：Gateway 用 slog ✅，但 Dispatcher / MCP-Go / MCP-Py 仍用 log.Printf / fmt.Printf。

需引入：

变更	说明
全局切换到 `log/slog` (Go 1.21+)	统一 JSON 格式，所有日志携带 `request_id` / `task_id` / `service` 字段
日志级别控制	生产 INFO，调试 DEBUG，按环境变量切换
关联 trace_id	日志注入 `trace_id` + `span_id`，Grafana Loki 可跳到对应 trace
Python 端 structlog	MCP-Py 引入 structlog，输出 JSON 格式，对齐 Go 端
日志采集	Grafana Loki / ELK (Fluentd → Elasticsearch → Kibana)

1.4 全栈观测仪表盘

Grafana Dashboard 体系：
├── Overview:    服务健康 / 请求量 / 错误率 / P99 延迟
├── LLM:         Token 用量 / 模型延迟 / 成功率 / 成本估算
├── RAG:         入库速率 / 检索延迟 / 命中率 / 图谱规模
├── Tasks:       任务状态分布 / 排队深度 / 处理耗时
├── NATS:        消息吞吐 / 消费者延迟 / 积压深度
└── Alerts:      错误率>5% / P99>3s / 熔断打开 / 任务超时率>10%

二、安全加固 (Security Hardening)

2.1 密钥管理 — ⚠️ 部分（API Key 加密已落地）

已实现：

✅ LLM api_key 加密存储 + 端到端密文：sundynix-shared/secrets（AES-256-GCM，密钥由 SUNDYNIX_SECRET_KEY 经 SHA-256 派生）。网关保存时加密落库（enc:1: 前缀），密文经 NATS 原样下发，消费方（dispatcher/mcp-go）在 bus 层解密—— 磁盘与线缆上均无明文，仅在构建 LLM 客户端时于内存短暂还原。历史明文行自动透传，下次保存即升级为密文。生产模式（APP_ENV=production / GIN_MODE=release）下未设 SUNDYNIX_SECRET_KEY 直接 fatal（secrets.MustHaveKeyInProd）； 各服务必须配置相同的密钥。
✅ JWT 签名密钥：生产强制 JWT_SECRET（未设即 fatal）。

仍待引入：

配置文件中明文 DSN（含密码）→ 见下表

方案	说明	推荐
Vault / SOPS	进一步把 `SUNDYNIX_SECRET_KEY` 等根密钥托管、支持轮换	HashiCorp Vault（生产首选）或 Mozilla SOPS（轻量）
K8s Secrets + CSI	集群内密钥挂载	Secrets Store CSI Driver + Vault Provider
NATS TLS	NATS 客户端↔服务端全链路 TLS，消息传输加密	配置 nats-server TLS + 客户端证书
PG SSL	数据库连接启用 `sslmode=require`	当前 DSN 为 `sslmode=disable`
环境变量注入	敏感配置一律不入代码/配置文件	`.env.production` + Docker secrets

2.2 认证与授权深化 — ⚠️ 部分

现状：JWT 鉴权 ✅ + RequireAdmin 白名单 ✅，但：

无 Token 刷新机制（过期即登出）
无 RBAC 角色体系
SSE/EventSource 无法带 Authorization 头（当前按 task_id 寻址，无鉴权）

需引入：

能力	方案
Refresh Token	JWT access_token (15min) + refresh_token (7d)，静默续期
RBAC	角色模型：`admin / operator / user / viewer`，PG 存角色表
SSE 鉴权	连接时带 `?token=xxx` query param → 验证后升级为 SSE（或 WebSocket 时握手带 token）
OAuth2 / SSO	企业客户需要 OIDC（接 KeyCloak / Auth0 / Azure AD）
API Key 鉴权	对外开放 API 时，支持 `X-API-Key` 鉴权（与 JWT 并行）

2.3 网络安全 — ⚠️ 缺失

能力	当前	需引入
CORS	未见显式配置	Gin CORS 中间件，生产严格限制 Origin
HTTPS	无 TLS 终端	前置 Nginx/Caddy/Traefik 做 TLS 终端 + HTTP→HTTPS 重定向
mTLS	无	NATS 集群间 + 服务间 mTLS（零信任网络）
WAF	无	前置 Cloudflare / ModSecurity 或 Nginx WAF 规则
网络隔离	docker-compose 共享网络	K8s NetworkPolicy：前端→Gateway→NATS→后端严格分网段

2.4 审计日志 — 🔴 缺失

需引入：

// 关键操作审计（写 PG sundynix_audit_log）：
// - 用户登录/登出
// - 模型配置变更
// - 知识库创建/删除/入库
// - 任务提交/执行
// - 管理员操作（改角色/改限额）
type AuditLog struct {
    ID        string    `gorm:"primaryKey;size:24"`
    UserID    string    // 操作者
    Action    string    // login / config_update / kb_ingest / task_submit / ...
    Resource  string    // 操作对象
    Detail    string    // JSON 详情
    IP        string
    CreatedAt time.Time
}

三、高可用与容灾 (HA & Disaster Recovery)

3.1 NATS 集群 — 🔴 必须

现状：单节点 NATS（docker-compose），是全局单点故障。

需引入：

# NATS 3 节点集群 + JetStream Raft
nats-1:
  image: nats:2-alpine
  command: ["-c", "/etc/nats/cluster.conf", "--name", "nats-1"]
nats-2:
  image: nats:2-alpine
  command: ["-c", "/etc/nats/cluster.conf", "--name", "nats-2"]
nats-3:
  image: nats:2-alpine
  command: ["-c", "/etc/nats/cluster.conf", "--name", "nats-3"]

JetStream 自带 Raft 共识，3 节点即可容忍 1 节点故障
客户端连接串改为 nats://nats-1:4222,nats-2:4222,nats-3:4222
bus.ConnectWithRetry 已支持重连 ✅

3.2 数据库高可用

组件	当前	生产方案
PostgreSQL	单节点	Patroni + etcd 主从自动切换；或云 RDS (高可用版)
Redis	单节点	Redis Sentinel (3 节点) 或 Redis Cluster
Milvus	Standalone	Milvus Cluster 模式（需独立 Pulsar/Kafka + 多 QueryNode）
Neo4j	单节点 Community	Neo4j Enterprise Causal Cluster（3 Core + Read Replicas）
MinIO	随 Milvus	独立 MinIO Distributed (4+ 节点 erasure coding)

3.3 服务多副本与负载均衡

服务	扩容方式	注意事项
Gateway	N 副本 + Nginx/Traefik 负载均衡	SSE 连接需要 sticky session 或用 NATS 做中转
Dispatcher	N 副本	NATS 队列组（`ConsumerDurable`）已天然支持负载均衡 ✅
MCP-Go	N 副本	NATS `QueueSubscribe` 队列组已天然支持 ✅
MCP-Py	N 副本	同上 ✅

项目架构上 Dispatcher/MCP 已经是无状态 + NATS 队列组，天然支持水平扩展，这是很大的优势。

3.4 Kubernetes 部署 — 🔴 必须

现状：仅 docker-compose（开发环境）。

需引入：

deploy/k8s/
├── charts/
│   └── sundynix/
│       ├── Chart.yaml
│       ├── values.yaml           # 统一配置（副本数/资源限制/密钥引用）
│       ├── values.prod.yaml      # 生产覆盖
│       └── templates/
│           ├── gateway-deploy.yaml
│           ├── gateway-svc.yaml
│           ├── dispatcher-deploy.yaml
│           ├── mcp-go-deploy.yaml
│           ├── mcp-py-deploy.yaml
│           ├── ingress.yaml
│           ├── hpa.yaml          # 水平自动扩缩
│           ├── pdb.yaml          # Pod 中断预算
│           └── networkpolicy.yaml
├── kustomize/                    # 或 Kustomize base + overlays
└── Dockerfile.*                  # 各服务容器镜像

必须包含：

K8s 资源	说明
Deployment	每个服务 ≥2 副本，滚动更新
HPA	Gateway 按 CPU/请求量自动扩缩；Dispatcher 按 NATS 消费者延迟
PDB	`minAvailable: 1`，升级时不中断
Resource Limits	每个 Pod 明确 requests/limits（CPU/内存）
Liveness / Readiness	Gateway: HTTP /health; Dispatcher: NATS ping; MCP: NATS health
NetworkPolicy	前端 → Gateway (8080)；Gateway → NATS (4222) / PG / Redis; NATS → Dispatcher / MCP
Ingress	Nginx Ingress / Traefik + TLS 证书（cert-manager + Let's Encrypt）
ConfigMap / Secret	配置与密钥分离，Secret 经 Vault CSI 注入

3.5 备份与恢复

数据	策略	RPO / RTO
PostgreSQL	pg_dump 每日全量 + WAL 归档增量 → S3/MinIO	RPO < 1h, RTO < 30min
Milvus	Milvus backup 工具 → S3	RPO < 24h
Neo4j	neo4j-admin dump → S3	RPO < 24h
NATS JetStream	3 副本 Raft 自带持久化	天然容灾
配置	Git 版本管理 + Vault 快照	即时恢复

四、CI/CD 与发布工程 (Release Engineering)

4.1 当前 CI 评估

已有：

ci.yml：Go build+vet+test / 前端 tsc / Python sandbox test ✅
release.yml：Wails 跨平台构建 + GitHub Release ✅

缺失：

4.2 需补充的 CI 流水线

# 完整 CI 流水线：
jobs:
  lint:           # ← 新增
    - golangci-lint run    # 代码质量门
    - eslint + prettier    # 前端 lint
    - ruff check           # Python lint

  security:       # ← 新增
    - govulncheck ./...    # Go 依赖漏洞扫描
    - npm audit            # 前端依赖漏洞
    - trivy image scan     # 容器镜像漏洞扫描
    - gitleaks detect      # 代码中泄露的密钥检测

  test:           # 增强
    - go test -race -coverprofile  # 竞态检测 + 覆盖率
    - vitest run           # 前端单元测试（需先引入）
    - pytest --cov         # Python 覆盖率

  build:          # ← 新增：后端容器镜像
    - docker build -t sundynix-gateway:$SHA
    - docker build -t sundynix-dispatcher:$SHA
    - docker build -t sundynix-mcp-go:$SHA
    - docker build -t sundynix-mcp-py:$SHA
    - push to container registry

  e2e:            # ← 新增：端到端
    - docker-compose up → make e2e → 全链路验证

  deploy-staging: # ← 新增
    - helm upgrade --install -n staging
    - 冒烟测试

  deploy-prod:    # ← 新增
    - 人工审批 gate
    - helm upgrade --install -n production
    - 金丝雀验证

4.3 容器化 — 🔴 必须

需为每个服务创建 Dockerfile：

# 示例：sundynix-gateway
FROM golang:1.25-alpine AS builder
WORKDIR /src
COPY go.work go.work.sum ./
COPY sundynix-shared/ sundynix-shared/
COPY sundynix-gateway/ sundynix-gateway/
RUN cd sundynix-gateway && CGO_ENABLED=0 go build -o /app ./cmd/server

FROM gcr.io/distroless/static-debian12
COPY --from=builder /app /app
EXPOSE 8080
ENTRYPOINT ["/app"]

多阶段构建，最终镜像用 distroless（最小攻击面）
镜像推到 GitHub Container Registry (ghcr.io) 或私有 Harbor

4.4 发布策略

策略	说明
语义化版本	`vMAJOR.MINOR.PATCH`，MAJOR 含 breaking change
金丝雀发布	新版先切 10% 流量，观测 30min 无异常再全量
蓝绿部署	数据库 schema 变更时用蓝绿（需 schema 向后兼容）
Feature Flags	引入 unleash / flagsmith，功能灰度发布
回滚机制	`helm rollback` + NATS JetStream 消费者 replay

五、数据治理与合规 (Data Governance)

5.1 多租户 — ⚠️ 待实现

现状：知识库按 user_id/kb_name 做 owner 作用域，但无正式租户模型。

需引入：

层次	方案
数据隔离	租户 ID → PG Schema / 行级策略 (RLS)；Milvus 按租户 partition；Neo4j 按租户 label
资源配额	每租户 LLM Token 配额 / 存储配额 / 并发任务上限
计费	按 Token 用量 / 存储用量 / API 调用量阶梯计费

5.2 数据生命周期

能力	说明
数据保留策略	会话历史 90 天过期；审计日志 1 年；JetStream 7 天滚动
个人数据删除	GDPR / 个保法合规：用户注销 → 级联清除 PG + Milvus + Neo4j + Redis 所有个人数据
数据脱敏	生产日志中 PII 字段（用户输入/模型输出）自动脱敏
数据分类分级	API Key = L4 机密；用户输入 = L3 敏感；模型输出 = L2 内部

5.3 合规

要求	措施
等保 2.0 三级	审计日志 + 访问控制 + 加密存储 + 入侵检测
GDPR	个人数据删除权 + 数据可携权 + 处理记录
AI 生成标识	输出标注"AI 生成"水印或元信息
内容审查	模型输出过滤（敏感内容/政治/暴力/色情）— 需接第三方审查 API 或部署自有模型

六、AI 特有的生产治理

6.1 Token 计量与成本控制 — 🔴 必须

现状：LLM Pool 无 Token 计数。

需引入：

// Token 计量中间件（包装 Pool.ChatStream / Chat）：
type TokenMeter struct {
    pool    *Pool
    counter prometheus.Counter    // sundynix_llm_tokens_total
    store   TokenUsageStore       // 写 PG sundynix_token_usage
}

// 每次 LLM 调用记录：
type TokenUsage struct {
    TaskID       string
    UserID       string
    Model        string
    InputTokens  int
    OutputTokens int
    LatencyMS    int64
    Cost         float64   // 按 model pricing 计算
    CreatedAt    time.Time
}

大部分 OpenAI 兼容 API 在响应中返回 usage.prompt_tokens / usage.completion_tokens
Eino ChatModel.Generate 的响应 ChatModelOutput 包含 TokenUsage

6.2 模型路由与 Fallback — ⚠️ 缺失

现状：单一模型配置，无 fallback。

需引入：

模型路由策略：
├── 主模型: deepseek-chat (成本低/速度快)
├── Fallback 1: gpt-4o-mini (主模型超时/500 时切)
├── Fallback 2: 本地 Ollama (外网不可用时切)
└── 规则路由:
    ├── 报告生成 → 强模型 (需要长输出+结构化)
    ├── 普通对话 → 快模型 (低延迟优先)
    └── 知识抽取 → 便宜模型 (批量场景控成本)

6.3 Prompt 版本管理 — ⚠️ 缺失

现状：Prompt 硬编码在 Go 代码中。

需引入：

方案	说明
Prompt 模板表	PG 存 prompt 模板，支持版本控制 + A/B 测试
变量插值引擎	`{{.profile}}` / `{{.history}}` / `{{.refs}}` 模板变量
A/B 测试	同一任务按百分比路由到不同 prompt 版本，对比评分
Prompt 审计	记录每次推理的完整 prompt（脱敏后），便于复盘优化

6.4 模型输出缓存 — ⚠️ 缺失

层次	方案
Semantic Cache	相似 query 的 RAG 检索结果缓存（Redis / Milvus 相似度匹配）
Exact Cache	完全相同的 prompt 直接返回缓存结果（省 LLM 调用）
KB 搜索缓存	高频 query 的检索结果缓存（TTL 5min）

6.5 安全 AI 特有治理

能力	说明
Prompt 注入防御增强	当前正则检测 ✅；建议补 LLM-based 注入检测（二段判决：先用小模型判定是否为注入）
幻觉检测	RAG 场景：比对模型输出与检索到的参考资料，标注无出处的断言
输出内容审查	接第三方内容审核 API 或部署开源模型（如 Llama Guard）做输出过滤
PII 检测	输入/输出流经 PII 检测器（身份证号/手机号/银行卡号），日志自动脱敏

七、前端工程化

7.1 状态管理 — ⚠️ 改进

现状：纯 useState + props drilling，无全局状态。

// 推荐引入 Zustand（轻量 + React 生态友好）：
import { create } from 'zustand';

interface AppStore {
  user: AuthUser | null;
  identity: Identity;
  currentRun: RunState;
  // actions
  setUser: (u: AuthUser | null) => void;
  submitTask: (dsl: TaskDsl) => Promise<void>;
}

7.2 路由 — ⚠️ 缺失

现状：view state + 条件渲染，无 URL 路由。

// 引入 React Router v7（Admin 端已用）：
// → 支持 URL 直达、浏览器前进后退、深链接分享
<Route path="/" element={<Home />} />
<Route path="/studio" element={<StudioView />} />
<Route path="/kb" element={<KbView />} />
<Route path="/report" element={<ReportView />} />
<Route path="/runs/:taskId?" element={<RunsView />} />

7.3 测试 — 🔴 缺失

层次	工具	覆盖
单元测试	Vitest + React Testing Library	核心组件（StudioView / KbView / 状态逻辑）
E2E 测试	Playwright	关键用户流（登录 → 编排 → 运行 → 查看结果）
Visual Regression	Chromatic / Percy	UI 回归检测

7.4 性能优化

方案	说明
代码分割	React.lazy + Suspense，按视图/路由懒加载
虚拟列表	知识库文档列表 / 运行历史 → 用 `react-virtual`
SSE 重连	EventSource 断连自动重连 + 指数退避
离线缓存	Service Worker 缓存静态资源

7.5 大文件拆分

文件	大小	建议
KbView.tsx	31,944 bytes	拆为 `KbSearchPanel` / `KbDocList` / `KbGraphPanel` / `KbIngestPanel`
StudioView.tsx	11,966 bytes	拆为 `Canvas` / `Toolbar` / `PropertiesPanel`
App.tsx	8,942 bytes	路由抽离后天然减小

八、运维自动化 (Platform Engineering)

8.1 集中配置管理 — ⚠️ 缺失

现状：各服务独立 config.yaml，NATS 热更新仅覆盖模型配置。

需引入：

方案	说明
NATS KV	NATS 2.8+ 内建 KV Store，已接 NATS 生态，零额外运维
Consul	功能更全（服务发现 + 配置 + 健康检查），但多一个组件
推荐 NATS KV（现有生态内扩展，无新增依赖）：配置变更 → Watch → 各服务热加载

8.2 优雅停机 — ⚠️ 部分

需确保：

收到 SIGTERM → 停止接收新请求 → 等待在途请求完成 → 关闭 NATS / PG / Redis → 退出
NATS ConsumeTasks 的 stop 函数已有 ✅，需在信号处理中调用
K8s preStop hook + terminationGracePeriodSeconds: 30

8.3 数据库 Schema 迁移 — ⚠️ 改进

现状：GORM AutoMigrate（开发方便但生产风险高：字段删除不生效、大表加列会锁表）。

需引入：

工具	说明
golang-migrate 或 Atlas	版本化 SQL 迁移文件（up/down），CI 自动校验；生产用 `gh-ost` 做无锁 schema 变更
保留 AutoMigrate 仅用于开发模式	`if env == "dev" { db.AutoMigrate(...) }`

8.4 健康检查统一 — ⚠️ 不一致

现状：Gateway 有 HTTP 端点，Dispatcher 走 NATS ping，MCP-Go 走 NATS 队列组。

需引入：

// 每个服务暴露统一的 /healthz (liveness) 和 /readyz (readiness)：
// - liveness: 进程存活（总是 200）
// - readiness: 所有依赖就绪
//   Gateway:  PG connected + Redis connected + NATS connected
//   Dispatcher: NATS connected + LLM pool ready
//   MCP-Go:  NATS connected + Milvus ready + Bleve ready
//   MCP-Py:  NATS connected + Docker available

8.5 告警与 On-Call

能力	方案
告警规则	Prometheus Alertmanager + PagerDuty / 飞书 / 钉钉 webhook
关键告警	错误率>5% / P99>5s / 熔断打开 / 磁盘>80% / 队列积压>1000 / LLM 成功率<90%
On-Call 轮值	PagerDuty / OpsGenie 自动轮值 + 升级
Runbook	每个告警对应标准处置流程文档

优先级排序（路线图）

按风险/收益排序，分三阶段实施：

🔴 Phase 1：安全底线 + 部署能力 (4-6 周)

#	事项	理由
1	密钥加密存储 (Vault/SOPS)	API Key 明文是最大安全风险
2	Dockerfile 容器化 (4 个 Go 服务 + 1 Python)	生产部署的前提
3	Kubernetes Helm Chart	取代 docker-compose 部署
4	NATS 3 节点集群	消除全局单点故障
5	PG SSL + NATS TLS	传输层加密
6	统一健康检查 (/healthz + /readyz)	K8s 探针就绪
7	优雅停机信号处理	滚动更新不丢请求
8	Token 计量基础	成本可控的前提

🟡 Phase 2：可观测性 + 治理能力 (4-6 周)

#	事项	理由
9	OpenTelemetry Tracing	分布式链路追踪
10	指标体系补全	LLM/RAG/Task 指标
11	Grafana 仪表盘	统一观测面板
12	日志标准化 (全局 slog + Loki)	结构化日志 + 集中采集
13	审计日志	合规要求
14	模型路由 + Fallback	提升可用性
15	PG 主从 + 备份策略	数据安全
16	CI 增强 (lint + security scan + coverage)	代码质量门
17	Schema 迁移工具 (golang-migrate)	安全 DDL

🟢 Phase 3：规模化 + 精细化 (6-8 周)

#	事项	理由
18	多租户	商业化必需
19	RBAC 角色体系	企业客户需求
20	前端 React Router + Zustand	用户体验 + 可维护性
21	前端测试 (Vitest + Playwright)	质量保障
22	Prompt 版本管理 + A/B 测试	AI 质量持续优化
23	Semantic Cache	降低 LLM 调用成本
24	内容审查 (Llama Guard)	合规
25	金丝雀发布 + Feature Flags	安全发布
26	Milvus Cluster + Neo4j Cluster	数据层高可用
27	告警体系 + Runbook	运维成熟度
28	GDPR / 个保法合规	数据合规

技术选型速查表

维度	推荐工具/组件	替代方案
链路追踪	OpenTelemetry + Grafana Tempo	Jaeger / SkyWalking
指标	Prometheus + Grafana	VictoriaMetrics
日志	slog + Grafana Loki	ELK (Elasticsearch + Logstash + Kibana)
密钥管理	HashiCorp Vault	AWS Secrets Manager / SOPS
容器编排	Kubernetes + Helm	Docker Swarm (小规模)
CI/CD	GitHub Actions + ArgoCD	GitLab CI / Jenkins
镜像仓库	ghcr.io / Harbor	Docker Hub Private
API 网关	Traefik / Nginx Ingress	Kong / APISIX
配置中心	NATS KV	Consul / etcd / Apollo
Schema 迁移	golang-migrate / Atlas	goose / Flyway
Feature Flags	Unleash	LaunchDarkly / Flagsmith
内容审查	Llama Guard (自部署)	阿里绿网 / 腾讯天御
前端状态	Zustand	Jotai / Redux Toolkit
前端测试	Vitest + Playwright	Jest + Cypress
告警	Alertmanager + 飞书/钉钉	PagerDuty / OpsGenie

29 KiB Raw Blame History Unescape Escape

sundynix-agentix · 工业生产级演进蓝图

当前基线评估

一、可观测性 (Observability)

1.1 分布式链路追踪 (Tracing) — ✅ 已实现

1.2 指标体系完善 (Metrics) — ⚠️ 部分

1.3 日志标准化 — ⚠️ 部分

1.4 全栈观测仪表盘

二、安全加固 (Security Hardening)

2.1 密钥管理 — ⚠️ 部分（API Key 加密已落地）

2.2 认证与授权深化 — ⚠️ 部分

2.3 网络安全 — ⚠️ 缺失

2.4 审计日志 — 🔴 缺失

三、高可用与容灾 (HA & Disaster Recovery)

3.1 NATS 集群 — 🔴 必须

3.2 数据库高可用

3.3 服务多副本与负载均衡

3.4 Kubernetes 部署 — 🔴 必须

3.5 备份与恢复

四、CI/CD 与发布工程 (Release Engineering)

4.1 当前 CI 评估

4.2 需补充的 CI 流水线

4.3 容器化 — 🔴 必须

4.4 发布策略

五、数据治理与合规 (Data Governance)

5.1 多租户 — ⚠️ 待实现

5.2 数据生命周期

5.3 合规

六、AI 特有的生产治理

6.1 Token 计量与成本控制 — 🔴 必须

6.2 模型路由与 Fallback — ⚠️ 缺失

6.3 Prompt 版本管理 — ⚠️ 缺失

6.4 模型输出缓存 — ⚠️ 缺失

6.5 安全 AI 特有治理

七、前端工程化

7.1 状态管理 — ⚠️ 改进

7.2 路由 — ⚠️ 缺失

7.3 测试 — 🔴 缺失

7.4 性能优化

7.5 大文件拆分

八、运维自动化 (Platform Engineering)

8.1 集中配置管理 — ⚠️ 缺失

8.2 优雅停机 — ⚠️ 部分

8.3 数据库 Schema 迁移 — ⚠️ 改进

8.4 健康检查统一 — ⚠️ 不一致

8.5 告警与 On-Call

优先级排序（路线图）

🔴 Phase 1：安全底线 + 部署能力 (4-6 周)

🟡 Phase 2：可观测性 + 治理能力 (4-6 周)

🟢 Phase 3：规模化 + 精细化 (6-8 周)

技术选型速查表

29 KiB

Raw Blame History