AIOps探索：n8n + DeepSeek 实现错误日志的智能分析

版权声明 本文为原创内容，著作权归[Jevanshy]所有。 未经授权禁止转载。如需引用或二次创作，请遵守以下规则：

1. 清晰标注原文标题、作者及原始链接
2. 禁止商业用途（包括但不限于付费专栏、培训材料）
3. 禁止洗稿（修改关键代码/截图后伪装原创） 违反者将追究责任。 原文永久地址：github.com/JevanShy/pu…

本文将详细拆解一个基于 n8n、Elasticsearch 和 DeepSeek-V3 构建的自动化分析链路。该链路能够每周自动锁定 Top 5 故障应用，并针对高频错误进行根因分析。

---

一、 前置准备：让数据与算力就绪

在实现自动化分析之前，需要确保以下基础设施已落地：

1. 日志基座 (ELK/EFK) ：

   • 生产环境日志已统一接入 Elasticsearch。
   • 日志包含标准字段：app.keyword（应用标识）、level.keyword（日志等级）、msg.keyword（错误消息摘要）以及 stackTrace（异常堆栈）。

2. 低代码引擎 (n8n) ：用于串联 ES 查询、数据清洗、AI 调用及消息通知的完整流转。

3. 大模型算力 (DeepSeek-V3) ：具备较强逻辑推理能力的 LLM，通过 API 接入，负责对清洗后的日志进行 SRE 维度的深度解读。

4. 推送终端：企业微信机器人的 Webhook Key。

---

二、 核心链路：四步走实现智能分析

整个 AIOps 链路设计思路清晰，采用“由大到小、由浅入深”的过滤策略：

第一步：锁定“故障大户” (App-Level Aggregation)

流程启动后，首先通过 httpRequest 对 ES 发起第一次聚合查询。

• 过滤条件：限定过去 7 天内 level: ERROR 的数据。
• 核心逻辑：通过 terms 聚合对 app.keyword 字段进行计数排名，筛选出报错总数最高的前 5 个应用。
• 目的：解决“看哪里”的问题，确保精力聚焦在核心矛盾上。

第二步：精准捕获高频异常 (Message-Level Aggregation)

锁定 Top 5 应用后，流程会为每个应用分别发起第二次精准查询。

• 操作逻辑：针对特定 appName，通过 msg.keyword 字段进行二次聚合。
• 核心产出：获取该应用下出现频次最高的 Top 1 错误消息，并利用 top_hits 抽样获取该错误对应的完整 stackTrace 和 method 信息。
• 目的：解决“什么错最严重”的问题，为 AI 分析提供高质量的输入样本。

第三步：AI 辅助根因定位 (Data Cleaning & AI Agent)

原始堆栈通常包含大量冗余信息，直接发送会消耗大量 Token 且干扰 AI 判断。

• 堆栈脱水：利用自定义 JS 脚本，通过正则匹配提取 Caused by: 根因链，并对每一层级进行截断，只保留最有价值的代码调用行。
• 智能诊断：将清洗后的数据喂给 AI Agent。并为 DeepSeek 注入了 SRE 专家指令，要求其严禁猜测，必须基于 method 和 stackTrace 给出具体的优化建议（如：修改连接池参数、增加空闲检查、优化业务判空逻辑等）。

第四步：多维度结果触达 (Multi-Channel Output)

分析完成后，流程通过企业微信进行双向反馈：

1. 即时摘要：在群聊中推送 Markdown 格式的汇总数据，罗列 Top 5 应用及其报错总数，便于快速概览。
2. 详细副本：将 DeepSeek 生成的深度报告转换为 HTML 格式文件并上传。方便研发人员对报告进行下载预览，查看详细的故障分析和操作建议。

三、成果展示