部署故障分析及解决助手

部署故障分析及解决助手 — 接收日志/报错文本，优先查询 MySQL 故障知识库；未命中时检索 /data/scripts/ 脚本库；支持交互式单条更新故障库并生成 Word 分析报告。

Install

openclaw skills install @bounding-elk/deploy-fault-analyzer

部署故障分析及解决助手

当用户提供日志文件（.json .log）或包含 error/错误/异常/故障/报错/failed 等关键词的文字内容时，自动分析故障并生成 Word 文档。分析前必须优先查询 MySQL 故障知识库 fault_knowledge_base.fault_records，用历史案例提高定位准确率；所有新问题继续记录到 Excel 知识库中累积沉淀，并可同步到数据库。

⚠️ 交付规则： Word 报告生成后必须在同一条回复中附带故障分析摘要 + 发送 Word 文件给用户，不能只生成到本地而不发送。

触发条件

满足以下任一条件即触发：

触发方式	判定标准
日志文件	用户上传/拖入 `.json`、`.log` 文件，或指明文件路径
报错文本	用户消息中包含 `error`/`错误`/`异常`/`故障`/`报错`/`failed`/`failure`/`exception`/`失败` 等关键词
主动请求	用户说"帮我分析这个故障"/"这是什么错"/"帮我看下日志"等

排除：用户只是在陈述中顺带提到"没有错误"/"没问题"/"成功了"时不触发。

故障知识库数据库

数据库信息

故障知识库来自部署排期表第 10 个 sheet「故障库」，由 /data/work/scripts/sync_fault_knowledge_base.py 同步到 MySQL。

项	值
数据库	`fault_knowledge_base`
主表	`fault_records`
连接命令	`docker exec resource_pool_mysql mysql -upool_user -ppool_password_2024 fault_knowledge_base`
Python 脚本连库端口	宿主机 `33307`（`insert_fault_record.py` 默认已配置）
Excel 同步脚本	`/data/work/scripts/sync_fault_knowledge_base.py`
单条入库脚本	`/data/work/scripts/insert_fault_record.py`
脚本库检索	`/data/work/scripts/search_deploy_scripts.py`
默认 Excel	`/data/work/bom/基础平台部署排期表-2026年度.xlsx`

部署脚本库（故障库未命中时的回退检索）

根目录：/data/scripts/

库目录	说明	典型场景
`cephdeployscripts/`	Ceph 块存储部署/扩容脚本（Fabric + ceph-deploy）	新建块存储集群、OSD 扩容、cusmartcache、cephfs、pool 创建
`deploy-perfect-20250821/`	基座新建部署脚本	bootstrap、yum、repo、基座、DNS、ironic
`kubeos-ansible/`	双引擎部署脚本	OpenStack 组件部署/扩容/新建、nova、neutron

cephdeployscripts 架构与故障索引（块存储必读）

用途：Ceph 块存储新建部署与扩容的标准脚本库。执行节点一般为部署机（含 ceph-deploy/fabric），通过 SSH 批量操作 monitor/OSD 节点。故障库未命中且涉及块存储、cinder、osd、pool、扩容时，优先在本库检索。

目录结构

text

/data/scripts/cephdeployscripts/
├── blockstorage/              # 主入口：新建 + 扩容
│   ├── fabfile.py             # 核心编排（Fabric），新建/扩容主流程
│   ├── config.json            # 新建集群配置（monitors/osdnodes/disks）
│   ├── expand.json            # 扩容配置（newosdnodes/ebs0001_ip）
│   └── create_cephfs_pool.py  # 创建 CephFS pool + MDS（独立流程）
├── common/
│   └── common.py              # 公共逻辑：集群类型判定、校验、pool/OSD 检查
├── config_samples/            # 各场景配置样例（对照现场 config 用）
│   ├── config_mix.json
│   ├── config_allflash.json
│   ├── config_highperformance.json
│   ├── expand_mix.json
│   └── ...
├── resources/                 # 下发到各节点的辅助脚本/配置
│   ├── check-cusmartcache.sh  # cusmartcache LV 标签与 enable 校验
│   ├── modprobe-cusmartcache.sh
│   ├── clearcephlvm.sh        # 清理 ceph LVM（lv/vg/pv/dm）
│   ├── balancer_osd_pg.sh     # PG 分布与均衡诊断
│   ├── patch-ceph-osd-prestart.sh
│   ├── upgrade_package.sh     # openssl/openssh/libblkid 等版本升级
│   └── extended.ceph.conf
└── cephdeploy/                # 子模块（git），与上层 blockstorage 配合

技术栈与执行约定

项	说明
编排框架	Python 2 + Fabric（`fabric.api`），远程执行 `run`/`sudo`
Ceph 工具	ceph-deploy（`ceph-deploy osd create`、`gatherkeys`、`mon create`）
部署目录	各节点 `/opt/cephdeploy`，脚本从 `resources/` 拷贝
新建配置	`blockstorage/config.json`
扩容配置	`blockstorage/expand.json`（含 `newosdnodes`、`ebs0001_ip`）
工作目录	执行前 `cd /cephdeployscripts/blockstorage/`（代码内 `WORKDIR`）

fabfile.py 函数命名约定（读代码/日志时对照）：

Capital*：主流程入口（如 DeployMixOsds、AddNewHostsToCluster）
local_*：部署节点本地执行
monitor_*：monitor 节点
osd_*：OSD 节点
all_*：全部节点（mon + osd）

集群类型（`decide_cluster_type`）

由 config.json / expand.json 中 disks 的 hdds/ssds 组合自动判定，同一集群所有节点类型必须一致：

类型常量	名称	磁盘特征	默认 RBD Pool
`CLUSTER_TYPE_ALLFLASH` (2)	allflash	仅 SSD	`volumes-ssd`
`CLUSTER_TYPE_ALLNVME` (5)	allnvme	仅 NVMe SSD	`volumes-nvme`
`CLUSTER_TYPE_HIGHPERFORMANCE` (3)	highperformance	SSD+HDD（无 cusmartcache）	`volumes` 或 `volumes-enhance`
`CLUSTER_TYPE_MIX` (4)	mix-cusmartcache	SSD+HDD + cusmartcache	`volumes` 或 `volumes-enhance`

mix 部署模式（mixdeploymode，仅 MIX 集群）：

newcluster：新建 mix 集群（默认）
addcusmartcacheforbcache：为已有 bcache 补 cusmartcache
addcusmartcacheforhdd：为 HDD 补 cusmartcache

HCUFS 特殊集群：8×NVMe + 60×HDD（is_hcufs_cluster），布局 [8,8,8,8,7,7,7,7] HDD/SSD 配对。

新建部署主流程（`python fabfile.py` 或 `fab -f fabfile.py`）

text

Init() → 读 config.json → 校验磁盘/IP/挂载
  → all_generateauth / all_sshnopassword / all_systemconfig
  → all_do_misc_check（包版本、tuned、firewalld/SELinux）
  → all_install_ceph_package（mix 时含 cusmartcache）
  → CreateMonMgr() → Deploy*Osds() → RestartAllOsds() → Check*OsdCount()
  → 创建 pool（images + volumes*）+ client.cinder/client.glance + balancer

按集群类型分支：DeployAllFlashOsds / DeployHighPerformaceOsds / DeployMixOsds。

新建成功判定（CheckNewClusterDeployResult）：mon/mgr 进程数 = 配置数；totalosd == uposd == inosd == total_data_disk_num；mix 时 cusmartcache 数量 = OSD 数量。

扩容主流程（`AddNewHostsToCluster`）

text

LoadExpandConfig() → 读 expand.json
  → check_expand_mon_osd / check_all_disks
  → decide_cluster_type（扩容节点类型）
  → get_expand_type（扩展现有 pool 或新建 pool）
  → IsEbs001MixNode()（mix 扩容时检查 ebs0001 是否 mix 节点）
  → ceph-deploy gatherkeys → 新节点 init（装包、拷 keyring、清盘）
  → Deploy*Osds() → Check*ExpandResult()

扩容成功判定：totalosd - ORIGINALTOTAL == 新增 OSD 数；失败常见日志：some osds is FAILED, please double check your configuration。

expand_type：

expand_current_pool：OSD 加入现有 pool（如 volumes、volumes-ssd、cephfs-data）
create_new_pool：需手工创建新 pool（日志提示 please create new pool）

CephFS 独立流程（`create_cephfs_pool.py`）

与块存储 RBD 新建并行可选步骤，依赖已有 Ceph 集群 + config.json 中 monitors 与 ceph.conf 一致：

text

CreateCephfsForCluster()
  → 安装 ceph-mds → 创建 MDS → 按主机名前缀创建 pool → 挂载目录初始化

主机名前缀 → pool 规格映射（node_pool_map）：ebs/ebn/hci → cephfs-metadata/cephfs-data；nasssd → *-ssd；nashdden → *-enhance 等。

故障场景 → 脚本索引（Agent 检索用）

故障现象 / 关键词	优先检索路径	脚本内关注点
`osd node ip mismatch` / 配置 IP 不一致	`blockstorage/fabfile.py` `LoadConfig`/`LoadExpandConfig`	`osdnodes` 与 `disks[].ips` 必须完全一致
`not support nvme partition` / `ssd partition`	`fabfile.py` LoadConfig	SSD 不允许分区设备
`no enough space for ssd` / `to many hdds`	`fabfile.py` osd_deploy_*	HDD/SSD 容量比、`MAXHDDPERSSD=6`
`some osds is FAILED` / OSD 数量不对	`common/common.py` `CheckNewClusterDeployResult`	`ceph -s`、`pgrep ceph-osd`、cusmartcache 数量
`cusmartcache num mismatch`	`common/common.py` + `resources/check-cusmartcache.sh`	`/proc/cusmartcache/`、`cusc_cli`、`lv_tags`
`cusmartcache kernel module not loaded`	`resources/modprobe-cusmartcache.sh`	`cusmartcache.ko`、`depmod`、`insmod`
`there are N objects in cluster` 无法新建	`common/common.py` `CheckClusterObjectNum`	集群已有数据，需清 pool 再部署
`invalid expand pool`	`common/common.py` `check_expand_pool`	扩容 pool 名与节点类型不匹配
`ebs0001 is not mix node`	`common/common.py` `IsEbs001MixNode`	`expand.json` 中 `ebs0001_ip`/`ebs0001_password`
`host deploy type error`	`common/common.py` `decide_cluster_type`	各节点磁盘类型不一致
`package.*version` / openssl openssh	`common/common.py` `all_do_misc_check`	`resources/upgrade_package.sh`
LVM 激活失败 / 重启后 OSD down	`common/common.py` `osds_config_rc_local`	`ceph-volume lvm activate --all`
PG 不均衡 / incomplete pgs	`resources/balancer_osd_pg.sh`	`ceph pg dump`、primary PG 分布
清盘重装 / LVM 残留	`resources/clearcephlvm.sh`	`lvremove`/`vgremove`/`pvremove`
cephfs pool / mds 创建失败	`blockstorage/create_cephfs_pool.py`	monitors 与 ceph.conf 一致性、主机名前缀
`ceph-deploy osd create` 失败	`fabfile.py` `osd_deploy_*`	`wipefs`、`sgdisk`、`block-db`/`block-wal`/`data` 路径
mix 扩容降级 highperformance	`fabfile.py` `LoadExpandConfig`	ebs0001 无 cusmartcache 时自动降级

字段含义

字段	含义	查询用途
`module_name`	模块	第一层收窄范围，优先从报错中的产品/组件/任务名推断
`issue_type`	问题类型	第二层收窄范围，优先从故障现象推断
`issue_description`	问题描述	核心相似度匹配字段
`solution_summary`	解决方法概要	给出历史解决路径
`product_version`	交付产品集版本	版本相关问题过滤
`delivery_branch`	交付分支	架构/OS/分支差异过滤
`resource_pool`	资源池	判断是否为特定现场案例

字段填写质量规范（单条入库必遵）

以 id:1110 为标杆：

issue_description：保留完整报错原文（命令输出、stderr、Traceback、exit code），≥50 字，禁止仅写「部署失败」等空泛描述
solution_summary：明确可操作修复动作（如「部署表字段 X：TRUE 改 FALSE」），≥10 字，禁止「待排查」「联系研发」
delivery_mode（交付形态）：必填，填写现场交付类型，例如：私有云 / 行业云 / 内部上云
resource_pool（资源池）：必填，填写具体资源池名称，例如：北京九区 / 巴西CT云 / 呼和国产化
product_version（交付产品集版本）：必填，填写版本号，例如：7.6.0 / 7.7.0 / 7.5.0
delivery_branch（交付分支）：必填，填写架构与 OS 组合，例如：@X86@CUlinux / @ARM@CUlinux / @X86@CentOS；多分支用逗号分隔，如 @X86@CUlinux,@ARM@CUlinux
deployer（部署人）：必填，填写实际部署负责人姓名，例如：田庆霖 / 姜金科

核心流程

Step 0 — 保存原始输入

任何输入在处理前必须先存档，防止后续分析覆盖原始数据：

python

from pathlib import Path
from datetime import datetime
import shutil

RAW_DIR = Path.home() / '.hermes/skills/openclaw-imports/deploy-fault-analyzer/data/raw'
RAW_DIR.mkdir(parents=True, exist_ok=True)

# 文件输入 → 复制到 raw/
ts = datetime.now().strftime('%Y-%m-%d_%H%M%S')
raw_path = RAW_DIR / f'{ts}_{Path(src_file).name}'
shutil.copy2(src_file, raw_path)

# 文本输入 → 写入 raw/
raw_path = RAW_DIR / f'{ts}_user_input.txt'
raw_path.write_text(user_text, encoding='utf-8')

Step 1 — 读取并解析输入

按文件格式选择解析策略：

1A. 结构化 JSON 日志（特征：顶层有 logs 数组，每项有 type/message 字段）

python

import json
with open(filepath) as f:
    data = json.load(f)

logs = data['logs']  # 日志数组
# 提取字段：
#   log['type']     → 'error'|'warning'|'info'|'success'
#   log['message']  → 日志内容（含时间戳 `[HH:MM:SS]`）
#   log['timestamp']→ ISO 时间（JSON字段，可能缺失）
#   log['task_id']  → 任务ID（如 PREP_UPLOAD_33B3DC）

errors   = [l for l in logs if l['type'] == 'error']
warnings = [l for l in logs if l['type'] == 'warning']
infos    = [l for l in logs if l['type'] == 'info']

1B. 纯文本 .log 文件

python

# 逐行读取，按关键词提取 ERROR/WARN/CRITICAL/FAIL 行
# 使用正则: ^\d{4}-\d{2}-\d{2}.*(ERROR|WARN|CRITICAL|FAIL)

1C. 用户粘贴文本 → 直接作为分析输入

Step 2 — 错误自动归类与去重

2A. 中文错误模式自动归类

使用关键词正则匹配，按优先级从高到低匹配：

优先级	匹配模式（关键词）	类别
1	`日期格式不正确` `日期格式错误` `格式yyyy-mm-dd`	数据异常 — 日期格式
2	`资源池名称不正确` `名称不一致` `sheet.*≠`	配置错误 — 资源池名
3	`未填写` `必填项.未` `必填.缺失`	配置错误 — 必填字段
4	`缺失` `不存在` `not found` `No such file`	资源不足 — 文件/目录
5	`格式不正确.*IP` `IP地址格式` `格式不合法`	配置错误 — IP格式
6	`already installed` `is already` `冲突` `conflict`	服务异常 — 安装冲突
7	`已终止` `用户.终止` `用户.取消`	用户操作 — 部署终止
8	`Verifying` `verification` `校验失败` `验证失败`	服务异常 — 验证超时
9	`连接.*拒绝` `Connection refused` `timeout` `unreachable`	网络/连接故障
10	`host.not found` `DNS.fail` `解析失败`	网络/连接故障
11	`bms.pri` `hostname.invalid`	配置错误 — 主机名
12	`Permission denied` `权限不足` `访问被拒`	权限问题
13	`OOM` `out of memory` `磁盘空间不足` `No space`	资源不足 — 系统资源
14	`ModuleNotFoundError` `ImportError` `依赖.*缺失`	依赖缺失

实现：

python

def categorize_error_message(msg: str) -> str:
    """根据中文关键词自动归类错误"""
    patterns = [
        (r'日期格式不正确|日期格式错误|格式yyyy-mm-dd', '数据异常'),
        (r'资源池名称不正确|名称不一致', '配置错误'),
        (r'未填写|必填项.*未填|必填.*缺失', '配置错误'),
        (r'缺失|不存在|not found|No such file|no such file', '资源不足'),
        (r'格式不正确.*IP|IP地址格式|格式不合法', '配置错误'),
        (r'already installed|is already|冲突|conflict', '服务异常'),
        (r'已终止|用户.*终止|用户.*取消', '用户操作'),
        (r'Connection refused|timeout|unreachable|连接.*拒绝', '网络/连接故障'),
        (r'Permission denied|权限不足|访问被拒', '权限问题'),
        (r'OOM|out of memory|磁盘空间不足|No space', '资源不足'),
        (r'ModuleNotFoundError|ImportError|依赖.*缺失', '依赖缺失'),
    ]
    for pattern, category in patterns:
        if re.search(pattern, msg):
            return category
    return '待分类'

2B. 错误去重归并（关键步骤）

真实日志中同根因错误通常大量重复。必须先去重再分析：

过滤掉 用户操作类（已终止/用户终止）→ 不计入故障，仅在报告中标注
按 错误消息去重：取 message 中 ERROR 关键字后的核心文本去重
按 task_id + 类别 归并：同一任务同一类别的多条错误合并为一个根因
输出：每个根因一个 fault_data 字典

python

def deduplicate_errors(errors: list) -> list:
    """归并重复错误 → 根因列表"""
    # 1. 分离用户操作
    real_faults = [e for e in errors if '用户已终止' not in e['message'] and '用户终止' not in e['message']]
    
    # 2. 按消息核心去重
    seen = {}
    for e in real_faults:
        msg = e['message']
        # 提取核心：ERROR 后的文本或消息中独特部分
        core = re.sub(r'\[.*?\]', '', msg).strip()[:100]
        cat = categorize_error_message(core)
        key = f"{cat}:{core[:50]}"
        if key not in seen:
            seen[key] = {'count': 1, 'sample': e, 'category': cat, 'task_ids': {e.get('task_id','?')}}
        else:
            seen[key]['count'] += 1
            seen[key]['task_ids'].add(e.get('task_id', '?'))
    
    return list(seen.values())

Step 2.5 — 优先查询 MySQL 故障知识库（必须执行）

在进入根因分析前，必须先用去重后的核心错误到 fault_knowledge_base.fault_records 查询历史案例。查询目标是找到相同或相近的 module_name、issue_type、issue_description，并把命中的 solution_summary 作为解决方案候选，而不是直接凭经验生成结论。

2.5A. 先推断 `module_name`

优先从日志里的产品名、任务名、服务名、报错路径、部署阶段推断模块；无法确定时再不带模块查询。

高频 module_name 候选（按历史库频次和故障定位价值排序）：

候选模块	常见关键词
`基座`	bootstrap、基础包、yum、repo、平台基础服务、部署脚本公共步骤
`主机交付问题`	主机、host、IPMI、root密码、操作系统、lldp、网络不通
`环境检查`	precheck、前置检查、端口检查、连通性检查、环境检查
`块存储`	cinder、ceph、块存储、volume、存储池、磁盘
`VPP`	vpp、dpdk、转发、网卡绑定、HugePage
`监控`	telegraf、prometheus、grafana、监控节点、采集
`SDN`	sdn、neutron、网络控制、云内sdn、云间sdn
`门户`	portal、控制台、门户导入表、规格族
`对象存储`	obs、s3、对象存储、bucket
`CSK` / `容器` / `云原生`	csk、k8s、kube、容器、master、worker
`Trove`	mysql、redis、trove、数据库服务
`虚拟化` / `裸金属`	nova、ecs、bms、ironic、裸金属
`DNS`	dns、域名、解析失败
`ECR`	ecr、镜像仓库、registry
`网络交付问题`	交换机、路由、vlan、外部网络、防火墙

2.5B. 再推断 `issue_type`

issue_type 用于第二层收窄。优先候选：

候选类型	常见关键词
`脚本问题`	script、脚本、执行失败、返回码、命令失败、already installed
`环境问题`	网络不通、端口不通、系统版本、依赖环境、服务状态
`新建部署问题`	新建、首次部署、安装、部署失败
`新建验收问题`	验收、验证、verification、检查失败
`部署包问题`	包缺失、rpm、tar、镜像、目录不存在、版本包
`部署表问题`	Excel、部署表、必填、格式、资源池名称、规格族
`网络交付问题`	DNS、路由、交换机、连通性、防火墙、VLAN
`主机交付问题`	主机名、IPMI、操作系统、root密码、lldp、网卡
`部署文档问题`	文档、步骤、章节、说明不一致
`操作问题`	人工操作、输入错误、误操作、顺序错误
`扩容问题` / `扩容验收问题`	扩容、增加节点、扩容后验收
`优化建议` / `其他问题`	无明确故障但存在改进项

2.5C. 查询策略

按“强约束 → 放宽”的顺序查询，避免一开始全库模糊搜索导致误命中：

module_name + issue_type + issue_description 关键词查询
module_name + issue_description 查询
issue_type + issue_description 查询
仅 issue_description 全文/LIKE 查询
如果完全无命中，继续按原流程分析，并在报告中注明“历史故障库未找到高置信匹配”

推荐命令模板：

bash

docker exec resource_pool_mysql mysql -upool_user -ppool_password_2024 fault_knowledge_base -e "
SELECT
  id, module_name, issue_type, found_at, product_version, delivery_branch,
  LEFT(issue_description, 220) AS issue_preview,
  LEFT(solution_summary, 220) AS solution_preview
FROM fault_records
WHERE module_name = '基座'
  AND issue_type = '脚本问题'
  AND (
    issue_description LIKE '%bootstrap%'
    OR solution_summary LIKE '%bootstrap%'
    OR MATCH(issue_description, solution_summary, remark) AGAINST('bootstrap 脚本 失败' IN NATURAL LANGUAGE MODE)
  )
ORDER BY
  (module_name = '基座') DESC,
  (issue_type = '脚本问题') DESC,
  updated_at DESC
LIMIT 5;"

如果无法稳定判断模块，使用关键词全库检索：

bash

docker exec resource_pool_mysql mysql -upool_user -ppool_password_2024 fault_knowledge_base -e "
SELECT id, module_name, issue_type,
       LEFT(issue_description, 200) AS issue_preview,
       LEFT(solution_summary, 200) AS solution_preview
FROM fault_records
WHERE issue_description LIKE '%关键报错%'
   OR solution_summary LIKE '%关键报错%'
   OR remark LIKE '%关键报错%'
LIMIT 10;"

2.5D. 命中结果使用规则

高置信命中：module_name、issue_type、核心报错关键词均匹配，解决方案可作为首选，但仍要结合当前日志证据验证。
中置信命中：模块或问题类型匹配，但错误文本只部分相似，只能作为排查方向。
低置信命中：仅关键词相似，不能直接引用为结论，只在“历史类似案例”中备注。
如果多个历史案例冲突，优先选择同模块、同问题类型、同版本/分支的记录。
Word 报告中增加“历史故障库匹配”小节，列出命中记录的模块、问题类型、问题摘要、解决摘要和置信度。

2.5E. 未命中时的处理

若 Step 2.5 无高置信命中（模块、问题类型、核心报错关键词均未对齐），必须先进入 Step 2.6 脚本库检索，不得直接凭经验给出最终结论。

Step 2.6 — 脚本库相似检索（故障库未命中时执行）

告知用户：「历史故障库未找到高置信匹配，开始分析脚本库 /data/scripts/」，然后执行：

2.6A. 脚本索引范围（更精准的检索入口）

脚本库根目录：/data/scripts/，当前已知脚本库与推荐索引范围如下（优先在推荐范围内命中）：

脚本库	推荐索引范围（优先级从高到低）	适用模块/场景（示例关键词）
`deploy-perfect-20250821/`	`second_deploy/dns/`、`second_deploy/ironic/`、`second_deploy/trove/`、`second_deploy/dcs/`、`second_deploy/ecml/`、`second_deploy/dims/`、`second_deploy/cloud_sdn/`、`sdn/`、`yum_repo/`、`perfect_deploy.sh`、`create_conf.py`、`globals.yml`	基座新建/二次部署、DNS/ironic/trove、yum/repo、部署表生成（`dns`、`ironic`、`trove`、`bootstrap`、`yum`、`repo`、`portal`、`多套内部浮动网`）
`kubeos-ansible/`	`ansible/site.yml`、`ansible/pre_deploy.yml`、`ansible/extend.yml`、`ansible/roles//tasks/`、`ansible/roles//templates/`、`tools/`	双引擎 OpenStack/组件部署扩容（`ansible`、`nova`、`neutron`、`rabbitmq`、`prometheus`、`worker_extend`、`precheck`）
`cephdeployscripts/`	`blockstorage/fabfile.py`、`blockstorage/create_cephfs_pool.py`、`common/common.py`、`resources/*.sh`、`config_samples/`	块存储新建/扩容（`ceph-deploy`、`osd`、`cusmartcache`、`pool`、`cephfs`、`expand.json`、`config.json`）

检索文件类型：.sh .py .yml .yaml .ini .conf .cfg .j2 .md
排除范围：.git、node_modules、.idea、__pycache__ 等非业务内容。

2.6B. 从故障问题提取“可检索关键词”（必须做）

为保证脚本检索精准度，--query 不能只用“部署失败/执行失败”这类泛词，必须从输入中抽取：

核心报错原文片段：如 No valid service subnet、KeyError、Connection refused、TarballDownloadException、iptables -t raw 等
组件/命令/脚本痕迹：如 neutron、ceph-deploy、cusc_cli、ceph-volume、fabfile、expand.json、wipefs、sgdisk
关键资源名/路径（可截断）：如 ceph-provisioners-0.1.0.tgz、/data/monitor-deploy/、/opt/ECR/

推荐：把 issue_description 中的 2～6 个关键词拼成 query（中英文混合可用）。

bash

python3 /data/work/scripts/search_deploy_scripts.py \
  --query "核心报错关键词" \
  --module "推断的模块名" \
  --top 5 --json

2.6C. 用脚本内容参与根因分析（必须做）

脚本检索的目的不是“给出一堆路径”，而是让故障问题根据脚本内容得到验证或定位。对每个 Top 候选脚本，至少完成以下动作之一：

定位校验点：脚本里是否存在与报错对应的检查/条件分支/变量（例如：部署表字段校验、网段/子网匹配、iptables 规则写入）
定位失败点：脚本里是否有与日志一致的命令调用（如 neutron floatingip-create、armada apply、python2 /usr/bin/db_populate.py）以及 rc/异常处理方式
给出验证命令/验证方法：从脚本推导用户可执行的验证步骤（例如：检查配置文件、检查 service subnet、检查 iptables raw 表规则）

向用户展示 Top 候选（库名、脚本路径、匹配行摘要），并询问：

以上脚本是否命中并解决了此次问题？（是 / 否）

用户回答「是」 → 询问是否需要将此次 Q&A 更新到故障库；若需要，进入 Step 8
用户回答「否」 → 继续 Step 3 起的常规根因分析与报告生成

remark 字段可记录命中的脚本路径，例如：脚本库命中: cephdeployscripts/blockstorage/fabfile.py 或 cephdeployscripts/resources/check-cusmartcache.sh

Step 3 — 故障信息提取（多故障）

从去重后的错误列表，为每个根因提取结构化信息：

提取方法：

提取项	JSON 日志提取方法	文本日志提取方法
故障时间	`e['timestamp']`（ISO格式）或从 `message` 中提取 `[HH:MM:SS]`	正则 `\d{4}-\d{2}-\d{2}.*\d{2}:\d{2}:\d{2}`
错误类型	`task_id` + 异常描述拼接，如 `CHECK_DEPLOY_F5B45D: checkTableImpl.DateFormatError`	异常类名或错误码
错误消息	`e['message']` 前200字符	紧跟在 ERROR 后的描述文本
出现次数	`dedup_count`	行数统计
堆栈跟踪	从 `message` 中的 `checkTableImpl.py:318` 等提取调用链	Traceback 段落前20行
影响组件	`task_id` 前缀 + `message` 中的模块路径（如 `/home/conf/`）	服务名、主机名
影响范围	从部署流程推断（阻塞/警告/跳过）	从错误推断
关联配置	`message` 中的文件路径、参数名	配置文件引用

任务ID解析（JSON日志特有）：

python

# task_id 前缀含义:
#   PREP_UPLOAD_* → 上传检查步骤
#   PREP_TASK_*   → 前置任务
#   CHECK_DEPLOY_* → 部署表检查
#   PREP_DEPLOY_*  → 部署准备

def parse_task_id(task_id: str) -> dict:
    """解析 task_id → 任务类型和阶段"""
    if task_id is None:
        return {'phase': '全局', 'type': '系统'}
    parts = task_id.split('_')
    if len(parts) >= 2:
        return {'phase': parts[0], 'type': parts[1], 'id': parts[-1] if len(parts) > 2 else ''}
    return {'phase': task_id, 'type': 'UNKNOWN'}

Step 4 — 根因分析

基于提取的信息，执行以下分析步骤：

错误分类：归入以下类别之一
- 🟥 网络/连接故障（ConnectionError, timeout, unreachable）
- 🟧 配置错误（config file, parameter, permission）
- 🟨 资源不足（OOM, disk full, CPU throttle, fd limit）
- 🟩 服务异常（service down, crash, restart loop）
- 🟦 权限问题（permission denied, unauthorized）
- 🟪 依赖缺失（module not found, library mismatch）
- ⬜ 数据异常（data corrupt, schema mismatch）
历史案例对齐：把 Step 2.5 命中的故障库记录与当前日志证据逐项对比，确认模块、问题类型、关键词、版本/分支是否一致
因果关系链：从堆栈自底向上追溯，找到最初触发点
关键证据：摘录日志中能佐证根因的2-3条关键行

Step 5 — 生成解决方案

优先采用高置信历史案例中的 solution_summary，再结合当前日志、环境和标准排查路径细化；没有命中时才完全按通用框架生成方案。

错误类别	标准排查路径	典型解决步骤
网络/连接	telnet/ping/curl 测试连通性 → 防火墙规则 → DNS解析	检查目的端口可达性、放行防火墙规则、修正IP配置
配置错误	对比配置模板 → 校验参数值	修正配置文件、重启服务、验证参数生效
资源不足	free/df -h/ulimit -n 检查 → top 定位占用进程	清理磁盘、扩容、调大 ulimit、重启服务释放泄漏
服务异常	systemctl status → journalctl 查崩溃原因	重启服务、检查依赖服务状态、排查 OOM killer
权限问题	ls -l / id / 检查 sudo	修正文件权限(chmod/chown)、添加 sudo 授权
依赖缺失	rpm -qa / pip list → 对比版本要求	安装缺失包、版本降级/升级
数据异常	检查数据完整性 → 对比 schema	数据修复、迁移、回滚

输出解决方案时遵循的结构：

text

【解决方案】
1. 排查步骤
   - 第一步：xxx
   - 第二步：xxx
2. 修复操作
   - 操作命令（可复制执行）
3. 验证方法
   - 验证命令 + 预期结果
4. 回滚方案（如适用）

Step 6 — 生成交付物

6.1 判断生成模式

python

if len(root_causes) == 1:
    mode = 'single'   # 单故障 → 标准五段式报告
else:
    mode = 'multi'    # 多故障 → 总览 + 逐项分析 + 综合建议

6.2 Word 文档（单故障模式）

生成 部署故障分析及解决方案_YYYY-MM-DD_HHmmss.docx，标准五段式结构（同原版）。

6.3 Word 文档（多故障模式）

当 mode == 'multi' 时，增加总览页和综合建议：

text

封面
├── 总体概况表
│   ├── 文档编号 / 分析时间 / 部署目标 / 部署计划
│   ├── 总日志数 / 总错误数 / 归并根因数
│   └── 最高故障级别
├── 错误全景图（表格）
│   ├── # / 故障 / 类别 / 级别 / 出现次数
├── 逐项详细分析
│   ├── 故障 1：...（完整五段式）
│   ├── 故障 2：...
│   └── ...
└── 综合建议与整改清单
    └── 按优先级排列的改进项

重点：每个故障页有明确的 故障 N / 总N 标注，分隔线分隔。

6.4 使用 generate_report.py 脚本

python

from scripts.generate_report import generate_fault_report, generate_multi_fault_report, append_to_excel

# 单故障
if len(faults) == 1:
    docx_path = generate_fault_report(output_path, faults[0])

# 多故障
else:
    docx_path = generate_multi_fault_report(output_path, faults)

# 批量追加 Excel（所有故障都写一行）
for fault in faults:
    append_to_excel(xlsx_path, {...})

文档保存路径: ~/.hermes/skills/openclaw-imports/deploy-fault-analyzer/output/

Step 7 — 发送交付物（必须执行）

⚠️ 分析完成后必须在同一条回复中做两件事：

贴出故障分析摘要（故障全景表 + 核心结论），让用户无需打开文件即可了解全貌
发送 Word 文件 — 使用 message 工具发送文件给用户

python

# 发送 .docx 文件给用户（以当前会话的 chat 通道发送）
# 使用 message 工具: action=send, filePath=docx_path, caption='部署故障分析报告'

发送规则：

回复消息中贴摘要表（纯文本，不依赖 markdown 表格渲染）
同时调用 message 工具发送 Word 文件
发送后回复 NO_REPLY 避免重复消息

摘要模板（回复消息中贴出）：

text

🔍 部署故障分析结果

概览：N条日志，M条错误 → 归并 K 个根因

| # | 故障 | 类别 | 级别 | 次数 | 定位 |
F1 | xxx | 数据异常 | P1 | 44 | xxx
F2 | ...

🎯 核心结论：xxx

📄 Word 报告已同步发送，请查收。

Step 8 — 单条更新故障库（交互式）

适用场景：

Step 2.6 中用户确认脚本已解决问题，且同意更新故障库
用户主动说「录入这条故障」「更新故障库」「把这次问题加到故障库」

注意：本流程仅写入 MySQL fault_records，不修改 Excel。

8.1 Agent 起草记录

根据会话上下文整理 JSON 草稿，字段规则：

字段	必填	规则
`module_name`	是	复用 Step 2.5A 推断
`issue_type`	建议	复用 Step 2.5B 推断
`issue_description`	是	完整报错原文，参照 id:1110
`solution_summary`	是	明确修复动作，参照 id:1110
`found_at`	建议	默认今天 `YYYY-MM-DD`
`delivery_mode`	是	交付形态，如 `私有云` / `行业云` / `内部上云`
`resource_pool`	是	资源池名称，如 `北京九区`
`product_version`	是	交付产品集版本，如 `7.6.0`
`delivery_branch`	是	交付分支，如 `@X86@CUlinux` / `@ARM@CUlinux` / `@X86@CentOS`
`deployer`	是	部署人姓名
`word_file`	否	默认 `不涉及`
`remark`	否	可写关联脚本路径

草稿 JSON 示例：

json

{
  "module_name": "DNS",
  "issue_type": "新建部署问题",
  "found_at": "2026-06-08",
  "issue_description": "+ neutron floatingip-create ...\nfloatingip 创建失败,请检查\n+ exit 1",
  "solution_summary": "部署表「内网dns云主机是否通过外部网络访问外网」TRUE 改 FALSE",
  "delivery_mode": "私有云",
  "resource_pool": "巴西CT云",
  "product_version": "7.6.0",
  "delivery_branch": "@X86@CUlinux",
  "deployer": "田庆霖",
  "word_file": "不涉及",
  "remark": "脚本库命中: deploy-perfect-20250821/second_deploy/dns/dns_deploy/dns.sh"
}

将草稿保存到 skill 目录，例如：output/fault_draft_YYYY-MM-DD_HHmmss.json

8.2 展示草稿并等待用户确认

向用户展示完整草稿（模板如下），询问：

text

📋 故障库入库草稿（请确认或补充）

模块：DNS
问题类型：新建部署问题
问题描述：
  <完整报错原文...>
解决方法概要：
  部署表「内网dns云主机是否通过外部网络访问外网」TRUE 改 FALSE
交付形态：私有云
资源池：巴西CT云 | 版本：7.6.0 | 分支：@X86@CUlinux | 部署人：田庆霖

请回复：确认同步 / 需要修改：<说明> / 取消

请确认或补充：回复「确认同步」/「需要修改：…」/「取消」

8.3 校验与入库

用户确认后执行：

bash

# 1. 校验（不写入）
python3 /data/work/scripts/insert_fault_record.py \
  --json output/fault_draft_YYYY-MM-DD_HHmmss.json --dry-run

# 2. 正式写入（追加到最后，id = MAX(id)+1）
python3 /data/work/scripts/insert_fault_record.py \
  --json output/fault_draft_YYYY-MM-DD_HHmmss.json \
  --port 33307

# 3. 验证
docker exec resource_pool_mysql mysql -upool_user -ppool_password_2024 fault_knowledge_base \
  -e "SELECT id, module_name, issue_type, LEFT(issue_description,80), LEFT(solution_summary,80) FROM fault_records ORDER BY id DESC LIMIT 1;"

校验失败时根据脚本输出修正草稿，重新展示给用户确认，不得使用 --force 跳过校验。

Python 脚本模板

docx 生成脚本

python

from docx import Document
from docx.shared import Inches, Pt, Cm, RGBColor
from docx.enum.text import WD_ALIGN_PARAGRAPH
from datetime import datetime
import os

def generate_fault_report(output_path, fault_data):
    """
    fault_data = {
        'fault_time': '2026-05-09 10:23:45',
        'error_type': 'ConnectionError',
        'error_message': '...',
        'stack_trace': '...',
        'affected_component': 'nova-api',
        'affected_scope': 'AZ-1 计算节点',
        'related_config': '/etc/nova/nova.conf',
        'error_category': '网络/连接故障',
        'fault_level': 'P1',
        'root_cause': '...',
        'evidence_lines': ['...', '...'],
        'solution_steps': [...],
        'verification': '...',
        'prevention': '...',
    }
    """
    doc = Document()
    
    # 标题
    title = doc.add_heading('部署故障分析及解决方案', level=0)
    title.alignment = WD_ALIGN_PARAGRAPH.CENTER
    
    # 文档信息表
    doc.add_paragraph('')
    info_table = doc.add_table(rows=3, cols=2, style='Light Grid Accent 1')
    info_data = [
        ('文档编号', f"DOC-{datetime.now().strftime('%Y%m%d')}-{fault_data.get('fault_level','P2')}"),
        ('分析时间', datetime.now().strftime('%Y-%m-%d %H:%M:%S')),
        ('故障级别', fault_data.get('fault_level', 'P2')),
    ]
    for i, (k, v) in enumerate(info_data):
        info_table.rows[i].cells[0].text = k
        info_table.rows[i].cells[1].text = v
    
    doc.add_paragraph('')
    
    # 一、故障概述
    doc.add_heading('一、故障概述', level=1)
    doc.add_paragraph(f"故障时间：{fault_data.get('fault_time', '未知')}")
    doc.add_paragraph(f"影响组件：{fault_data.get('affected_component', '未知')}")
    doc.add_paragraph(f"影响范围：{fault_data.get('affected_scope', '未知')}")
    doc.add_paragraph(f"错误类型：{fault_data.get('error_type', '未知')}")
    
    # 二、故障详情
    doc.add_heading('二、故障详情', level=1)
    doc.add_heading('错误消息', level=2)
    doc.add_paragraph(fault_data.get('error_message', ''))
    
    if fault_data.get('stack_trace'):
        doc.add_heading('堆栈跟踪', level=2)
        p = doc.add_paragraph()
        p.style = doc.styles['No Spacing']
        for line in fault_data['stack_trace'].split('\n')[:20]:
            doc.add_paragraph(line, style='No Spacing')
    
    if fault_data.get('related_config'):
        doc.add_paragraph(f"关联配置：{fault_data['related_config']}")
    
    # 三、根因分析
    doc.add_heading('三、根因分析', level=1)
    doc.add_paragraph(f"错误分类：{fault_data.get('error_category', '未分类')}")
    doc.add_paragraph(f"根本原因：{fault_data.get('root_cause', '待进一步分析')}")
    
    if fault_data.get('evidence_lines'):
        doc.add_heading('关键证据', level=2)
        for i, line in enumerate(fault_data['evidence_lines'], 1):
            doc.add_paragraph(f"{i}. {line}")
    
    # 四、解决方案
    doc.add_heading('四、解决方案', level=1)
    for step in fault_data.get('solution_steps', []):
        doc.add_paragraph(step, style='List Bullet')
    
    if fault_data.get('verification'):
        doc.add_heading('验证方法', level=2)
        doc.add_paragraph(fault_data['verification'])
    
    # 五、预防措施
    doc.add_heading('五、预防措施', level=1)
    doc.add_paragraph(fault_data.get('prevention', '—'))
    
    doc.save(output_path)
    return output_path

边界情况与注意事项

当输入过于模糊时

如果日志/文本中找不到明确的错误信息，不要强行编造分析结果。此时：

输出一份简要的"日志初步筛查报告" Word 文档
在文档中标注"待补充信息"
Excel 中错误类别记为"待分类"

当单个输入包含多个错误时（重要）

流程：

Step 2A 自动归类 → 按关键词将错误分入不同类别
Step 2B 错误去重 → 归并重复错误，统计每个根因出现次数
过滤"用户操作"类（已终止/用户终止）→ 不计入故障清单
对每个根因执行 Step 2.5，按 module_name、issue_type、issue_description 查询 MySQL 故障知识库
按故障级别（P1→P2→P3）和历史命中置信度排序输出
Word 文档使用多故障模式 → 生成总览表 + 逐项分析 + 历史故障库匹配
Excel 中每个根因占一行，必要时同步到 MySQL 故障库

真实案例参考

以下是从实际部署日志中提取的典型错误模式，用于指导分类：

模式 1 — 部署表日期格式错误（44条 → 1个根因）

text

[CHECK_DEPLOY_F5B45D] 导入表：日期格式不正确45677.7661111, 格式yyyy-mm-dd hh:mm:ss
→ 类别：数据异常 | 根因：Excel日期序列号未转换 | 级别：P1

模式 2 — 资源池名称不一致（35条 → 1个根因）

text

[CHECK_DEPLOY_F5B45D] 资源池名称不正确 sheet11:呼和交付验证云池; sheet1:呼和国产化...
→ 类别：配置错误 | 根因：多sheet资源池名未统一 | 级别：P1

模式 3 — 部署包目录缺失（6条 → 1个根因）

text

[PREP_UPLOAD_33B3DC] /opt/ImageManager: 缺失
→ 类别：资源不足 | 根因：部署包未上传或不在此次部署范围 | 级别：P1

模式 4 — RPM 安装误报（1条 → 不阻塞）

text

[PREP_TASK_53658B] rpm -ivh → already installed → exit code ≠ 0
→ 类别：服务异常 | 根因：安装脚本未处理"已安装"状态 | 级别：P3

用户操作类不计入故障

以下消息类型不归类为故障，仅在报告中备注：

用户已终止部署流程 → 用户主动操作
部署已自动暂停，等待用户确认 → 流程机制，非故障本身
用户确认继续 → 流程恢复

路径规范

所有输出统一在 skill 目录下：

text

~/.hermes/skills/openclaw-imports/deploy-fault-analyzer/
├── SKILL.md
├── output/          # Word 文档输出
├── data/
│   ├── problems.xlsx   # Excel 知识库
│   └── raw/             # 原始输入存档

MySQL 故障知识库不在 skill 目录下，固定查询 fault_knowledge_base.fault_records。相关脚本均在 /data/work/scripts/：sync_fault_knowledge_base.py（Excel 批量同步）、insert_fault_record.py（单条入库）、search_deploy_scripts.py（脚本库检索）。

快速参考

用户说什么	你做什么
上传 xxxx.log	读取 → 提取ERROR行 → 推断 `module_name`/`issue_type` → 查询 MySQL 故障库 → 分析 → 生成 docx + 写入 xlsx → 发送 docx 给用户 + 贴摘要
粘贴报错文本	同日志流程，必须先查 `fault_knowledge_base.fault_records` 再给结论
"帮我看下这个报错"	识别附带文本 → 查 MySQL 历史案例 → 分析 → 生成 docx + 写入 xlsx → 发送 docx 给用户 + 贴摘要
"查一下之前类似问题"	优先查询 `fault_knowledge_base.fault_records`，按模块、问题类型、问题描述返回历史案例
"这个错之前遇到过吗"	在 MySQL 故障库中搜索匹配的 `issue_description` 和 `solution_summary`
故障库未命中	告知用户 → `search_deploy_scripts.py` 检索 `/data/scripts/` → 询问是否解决 → 可选进入 Step 8
"同步故障库" / "把 Excel 故障库入库"	`sync_fault_knowledge_base.py --dry-run` → 确认后正式同步
"更新故障库" / "录入这条故障" / "把这次问题加到故障库"	Step 8：起草 JSON → 用户确认 → `insert_fault_record.py --dry-run` → 正式写入

部署故障分析及解决助手

Install

部署故障分析及解决助手

触发条件

故障知识库数据库

数据库信息

部署脚本库（故障库未命中时的回退检索）

cephdeployscripts 架构与故障索引（块存储必读）

目录结构

技术栈与执行约定

集群类型（decide_cluster_type）

新建部署主流程（python fabfile.py 或 fab -f fabfile.py）

扩容主流程（AddNewHostsToCluster）

CephFS 独立流程（create_cephfs_pool.py）

故障场景 → 脚本索引（Agent 检索用）

推荐检索命令（块存储）

字段含义

字段填写质量规范（单条入库必遵）

核心流程

Step 0 — 保存原始输入

Step 1 — 读取并解析输入

Step 2 — 错误自动归类与去重

2A. 中文错误模式自动归类

2B. 错误去重归并（关键步骤）

Step 2.5 — 优先查询 MySQL 故障知识库（必须执行）

2.5A. 先推断 module_name

2.5B. 再推断 issue_type

2.5C. 查询策略

2.5D. 命中结果使用规则

2.5E. 未命中时的处理

Step 2.6 — 脚本库相似检索（故障库未命中时执行）

2.6A. 脚本索引范围（更精准的检索入口）

2.6B. 从故障问题提取“可检索关键词”（必须做）

2.6C. 用脚本内容参与根因分析（必须做）

Step 3 — 故障信息提取（多故障）

Step 4 — 根因分析

Step 5 — 生成解决方案

Step 6 — 生成交付物

6.1 判断生成模式

6.2 Word 文档（单故障模式）

6.3 Word 文档（多故障模式）

6.4 使用 generate_report.py 脚本

Step 7 — 发送交付物（必须执行）

Step 8 — 单条更新故障库（交互式）

8.1 Agent 起草记录

8.2 展示草稿并等待用户确认

8.3 校验与入库

Python 脚本模板

docx 生成脚本

边界情况与注意事项

当输入过于模糊时

当单个输入包含多个错误时（重要）

真实案例参考

用户操作类不计入故障

路径规范

快速参考

Related skills

集群类型（`decide_cluster_type`）

新建部署主流程（`python fabfile.py` 或 `fab -f fabfile.py`）

扩容主流程（`AddNewHostsToCluster`）

CephFS 独立流程（`create_cephfs_pool.py`）

2.5A. 先推断 `module_name`

2.5B. 再推断 `issue_type`