基于大模型的运维 SOP 自动生成与执行：从经验文档到可执行脚本，运维知识的工程化

一、运维 SOP 的工程困境：文档与执行的鸿沟

运维标准操作流程（SOP）是保障运维操作一致性与安全性的核心文档。然而，传统 SOP 以文档形式存在，面临三个根本性问题：一是文档与实际操作脱节——SOP 描述的是"应该怎么做"，但实际执行时运维人员可能因时间压力或习惯偏离文档；二是文档更新滞后——系统架构变更后，SOP 往往数周甚至数月后才更新；三是文档不可执行——SOP 是自然语言描述，无法直接转化为可运行的脚本。

大模型驱动的 SOP 自动生成，将运维知识从"静态文档"升级为"可执行代码"：模型根据故障描述自动生成操作步骤，并输出可执行的 Shell/Python 脚本，运维人员审核后一键执行。这一范式将运维知识从"人脑记忆"外化为"可复现的代码"。

二、从故障描述到可执行 SOP 的生成链路

flowchart TD
    A[故障描述] --> B[意图解析]
    B --> C[知识检索]
    C --> D[SOP 步骤生成]
    D --> E[脚本代码生成]
    E --> F[安全审查]
    F --> G[人工审核]
    G --> H[执行与反馈]

    subgraph 知识源
        C1[历史工单库]
        C2[运维 Wiki]
        C3[Runbook 文档]
        C4[监控指标关联]
    end

    subgraph 安全审查
        F1[危险命令检测]
        F2[影响面评估]
        F3[回滚方案验证]
    end

    C --> C1
    C --> C2
    C --> C3
    C --> C4
    F --> F1
    F --> F2
    F --> F3

关键环节是"安全审查"：生成的脚本必须经过危险命令检测（如 rm -rf /、DROP TABLE）、影响面评估（操作会影响哪些服务）、回滚方案验证（操作失败后如何恢复）。安全审查不通过的脚本禁止执行。

三、工程实现：SOP 自动生成与执行系统

# sop_generator.py — 运维 SOP 自动生成引擎
from dataclasses import dataclass
from typing import List, Optional
import re

@dataclass
class SOPStep:
    order: int
    description: str
    command: Optional[str]
    verification: str        # 验证步骤
    rollback_command: str    # 回滚命令
    risk_level: str          # low, medium, high

@dataclass
class GeneratedSOP:
    title: str
    incident_type: str
    steps: List[SOPStep]
    prerequisites: List[str]
    estimated_duration: str
    risk_summary: str

class SOPGenerator:
    """运维 SOP 自动生成器"""

    DANGEROUS_PATTERNS = [
        r'rm\s+-rf\s+/',
        r'DROP\s+TABLE',
        r'DELETE\s+FROM\s+\w+\s*;',  # 无 WHERE 的 DELETE
        r'SHUTDOWN',
        r'reboot',
        r'kubectl\s+delete\s+namespace',
        r'docker\s+system\s+prune\s+-a',
    ]

    def generate_sop(self, incident_description: str) -> GeneratedSOP:
        """根据故障描述生成 SOP"""
        # 1. 意图解析
        intent = self._parse_intent(incident_description)

        # 2. 知识检索：查找历史相似工单与 Runbook
        context = self._retrieve_knowledge(intent)

        # 3. LLM 生成 SOP 步骤
        prompt = f"""作为运维工程师，根据以下故障描述生成标准操作流程（SOP）。

故障描述：{incident_description}
故障类型：{intent['type']}
受影响服务：{intent['affected_services']}
历史参考：{context}

要求：
1. 每个步骤包含：描述、执行命令、验证方法、回滚命令
2. 命令必须包含完整的参数，可直接复制执行
3. 验证方法必须可自动化检查
4. 回滚命令必须能撤销当前步骤的影响
5. 标注每个步骤的风险等级

输出 JSON 格式：
{{
  "title": "SOP 标题",
  "steps": [
    {{
      "order": 1,
      "description": "步骤描述",
      "command": "执行命令",
      "verification": "验证命令",
      "rollback_command": "回滚命令",
      "risk_level": "low|medium|high"
    }}
  ],
  "prerequisites": ["前置条件"],
  "estimated_duration": "预估时间",
  "risk_summary": "风险摘要"
}}"""

        response = self._call_llm(prompt, temperature=0.1)
        sop_data = self._parse_response(response)

        # 4. 安全审查
        sop_data = self._security_review(sop_data)

        return sop_data

    def _security_review(self, sop: dict) -> GeneratedSOP:
        """安全审查：检测危险命令与缺失的回滚方案"""
        steps = []
        for step_data in sop.get('steps', []):
            command = step_data.get('command', '')
            risk_level = step_data.get('risk_level', 'low')

            # 危险命令检测
            for pattern in self.DANGEROUS_PATTERNS:
                if re.search(pattern, command, re.IGNORECASE):
                    risk_level = 'high'
                    step_data['description'] += (
                        f' [⚠️ 危险命令检测: {pattern}]'
                    )
                    break

            # 回滚方案验证
            if not step_data.get('rollback_command'):
                risk_level = 'high'
                step_data['description'] += ' [⚠️ 缺少回滚方案]'

            steps.append(SOPStep(
                order=step_data['order'],
                description=step_data['description'],
                command=step_data.get('command'),
                verification=step_data.get('verification', ''),
                rollback_command=step_data.get('rollback_command', ''),
                risk_level=risk_level,
            ))

        return GeneratedSOP(
            title=sop.get('title', ''),
            incident_type=sop.get('incident_type', ''),
            steps=steps,
            prerequisites=sop.get('prerequisites', []),
            estimated_duration=sop.get('estimated_duration', ''),
            risk_summary=sop.get('risk_summary', ''),
        )

    def _parse_intent(self, description: str) -> dict:
        """解析故障描述的意图"""
        prompt = f"""从以下故障描述中提取结构化信息：

{description}

输出 JSON：{{"type": "故障类型", "affected_services": ["服务列表"], "severity": "critical|warning|info"}}"""

        response = self._call_llm(prompt, temperature=0.1)
        return self._parse_response(response)

    def _retrieve_knowledge(self, intent: dict) -> str:
        """检索历史工单与 Runbook"""
        # 简化实现：实际应查询向量数据库
        return f"故障类型 {intent['type']} 的历史处理记录"

四、SOP 自动生成的边界与权衡

生成脚本的可靠性：LLM 生成的 Shell/SQL 命令可能包含语法错误或不适用于当前环境的参数。建议在审核流程中增加"沙箱预执行"——在隔离环境中 dry-run 生成的脚本，验证语法与逻辑正确性。

环境差异的适配：不同环境（开发/测试/生产）的配置差异（主机名、端口、数据库名）需要参数化。建议在 SOP 模板中使用变量占位符（如 {{DB_HOST}}），执行时根据目标环境自动替换。

知识库的时效性：RAG 检索的知识如果过时（如已废弃的运维工具），生成的 SOP 可能包含无效操作。建议对知识库设置过期机制，超过 6 个月未更新的文档标记为"待验证"。

人工审核的必要性：AI 生成的 SOP 必须经过人工审核才能执行，特别是 high 风险步骤。审核重点：命令是否正确、影响面是否可控、回滚方案是否可行。AI 生成的是"草稿"，人工审核是"把关"。

五、总结

大模型驱动的 SOP 自动生成，将运维知识从"静态文档"升级为"可执行代码"。核心机制是意图解析提取故障特征、知识检索提供历史参考、LLM 生成操作步骤与脚本、安全审查检测危险命令。工程落地的关键在于：危险命令检测防止误操作、回滚方案验证保障可逆性、环境参数化适配多环境、人工审核不可省略。SOP 自动生成的目标是加速运维响应，而非替代人工判断——AI 生成草稿，人工审核把关，两者结合才能实现安全高效的运维自动化。