在运维场景中，传统监控架构往往存在链路复杂、定制化成本高、AI能力融合不足等问题。OpenClaw（俗称“龙虾”）作为功能强劲的AI智能体工具，虽具备强大的自动化执行能力，但直接部署面临权限过高、不符合生产环境安全要求的痛点。而夜莺MCP（管理控制平面）与Prometheus的组合，虽能实现监控数据的采集与可视化，却存在上下文交互Token消耗大、运维人员精力分散等问题。

2026年，通过整合OpenClaw的AI自动化能力、Prometheus的Metrics存储优势、夜莺MCP的统一管控能力，搭配细颗粒度Skills编排，可打造一套轻量化、低Token消耗、高安全性的AIOps方案。本文将详细拆解方案逻辑，包含2026年阿里云与Windows本地OpenClaw部署流程、Prometheus与夜莺MCP对接步骤、Skills开发规范与实战案例，助力运维人员高效落地AI驱动的监控分析体系。

一、方案核心逻辑与组件解析

（一）方案核心定位

本方案以“轻量化整合”为核心，摒弃传统“Prometheus+Alertmanager+PrometheusAlert”的复杂架构，让Prometheus专注于Metrics数据存储，夜莺平台负责监控告警可视化，OpenClaw通过Skills编排承接AI与底层资源的交互，最终实现“数据存储-可视化监控-AI分析-信息获取”的高效闭环，适用于中小企业与单人运维场景，降低运维成本与技术门槛。阿里云上OpenClaw一键极速部署最简单，步骤详情访问阿里云OpenClaw一键部署专题页面 了解。

（二）核心组件作用与联动关系

组件	核心作用	技术优势	角色定位
OpenClaw	AI自动化执行、Skills编排、跨端交互	支持本地/云端部署、权限可控、可执行代码与文件操作	AI能力载体
Prometheus	Metrics数据采集与存储	高吞吐、低延迟、支持多维度指标查询	数据存储核心
夜莺MCP	统一管控运维资源、承接指令与反馈数据	支持多工具集、实时数据访问、适配企业级场景	管控枢纽
Skills	封装运维操作逻辑、标准化工作流	Markdown+YAML编写、低技术门槛、Token消耗可控	交互适配媒介

联动逻辑：运维人员发起查询请求→OpenClaw读取Skills理解需求→生成执行命令→夜莺MCP承接指令并调用Prometheus等底层资源→返回数据→OpenClaw完成AI分析→输出结果，形成“AI→Skills→MCP→底层资源”的简洁交互链路。

（三）通用前置准备

工具准备：阿里云部署需SSH工具（XShell/FinalShell）；Windows本地部署需PowerShell（管理员模式）、Git；
环境要求：Node.js 22.x及以上版本；Prometheus 2.40+；夜莺v8.5+；OpenClaw最新版；
凭证准备：AI模型API Key（如硅基流动、MiniMax等）；夜莺平台Token；阿里云账号（注册阿里云账号，仅阿里云部署需要）；
权限准备：服务器/本地设备的root/管理员权限，可执行服务配置与目录创建。

二、基础部署：2026年OpenClaw部署流程（阿里云+Windows本地）

方案一：阿里云部署（长期稳定运行首选）

阿里云用户零基础部署OpenClaw步骤喂饭级步骤流程

第一步：访问阿里云OpenClaw一键部署专题页面，找到并点击【一键购买并部署】。
阿里云OpenClaw一键部署专题页面：https://www.aliyun.com/activity/ecs/clawdbot

第二步：选购阿里云轻量应用服务器，配置参考如下：

镜像：OpenClaw(Moltbot)镜像（已经购买服务器的用户可以重置系统重新选择镜像）
实例：内存必须2GiB及以上。
地域：默认美国（弗吉尼亚），目前中国内地域（除香港）的轻量应用服务器，联网搜索功能受限。
时长：根据自己的需求及预算选择。

第三步：访问阿里云百炼大模型控制台，找到密钥管理，单击创建API-Key。

前往轻量应用服务器控制台，找到安装好OpenClaw的实例，进入「应用详情」放行18789端口、配置百炼API-Key、执行命令，生成访问OpenClaw的Token。
端口放通：需要放通对应端口的防火墙，单击一键放通即可。
配置百炼API-Key，单击一键配置，输入百炼的API-Key。单击执行命令，写入API-Key。
配置OpenClaw：单击执行命令，生成访问OpenClaw的Token。
访问控制页面：单击打开网站页面可进入OpenClaw对话页面。

步骤1：阿里云服务器配置

登录阿里云控制台，进入“轻量应用服务器”模块，点击“创建实例”；
核心参数配置：
- 地域：选择中国香港（免备案，公网访问稳定，适配多地域资源访问）；
- 实例规格：2核4GB内存、40GB ESSD存储（基础配置，高负载场景可升级至4核8GB）；
- 系统镜像：选择Alibaba Cloud Linux 3.2（兼容性最佳，支持Docker与Node.js）；
- 购买时长：按实际需求选择，年付性价比更高；
支付完成后，记录服务器公网IP（如120.xxx.xxx.xxx），在防火墙放行端口：18789（OpenClaw服务）、22（SSH连接）、9090（Prometheus）、17000（夜莺）。

步骤2：OpenClaw安装与初始化

用SSH工具连接服务器：
```
ssh root@120.xxx.xxx.xxx
```

一键安装核心依赖与OpenClaw：

# 更新系统依赖
apt update && apt upgrade -y
# 安装Node.js 22.x
curl -fsSL https://deb.nodesource.com/setup_22.x | bash -
apt install -y nodejs git
# 安装OpenClaw
npm install -g openclaw@latest --registry=https://registry.npmmirror.com
# 验证安装（输出版本号即为成功）
openclaw --version

初始化配置：

openclaw init

按提示输入模型API Key、设置工作目录，完成后启动服务并设置自启：

# 启动服务
openclaw gateway start
# 设置开机自启
systemctl enable openclaw
# 验证服务状态（返回active(running)即为正常）
systemctl status openclaw

方案二：Windows本地部署（快速体验与测试）

步骤1：基础环境配置

安装Node.js：访问Node.js官网（https://nodejs.org/zh-cn/download/current/），下载22.x版本，安装时勾选“Add to PATH”；

解锁PowerShell执行权限：

# 以管理员身份运行PowerShell
Set-ExecutionPolicy RemoteSigned -Scope CurrentUser
# 出现提示后输入Y回车

安装Git：访问Git官网（https://git-scm.com/download/win），默认安装即可。

步骤2：OpenClaw安装与启动

执行安装命令：

npm install -g openclaw@latest --registry=https://registry.npmmirror.com
# 验证安装
openclaw --version

初始化配置：
```
openclaw init
```
按提示设置工作目录（如D:\OpenClaw-Workspace）、输入模型API Key，完成后启动服务：
```
openclaw gateway start
# 验证状态
openclaw status
```
本地访问验证：打开浏览器访问http://127.0.0.1:18789，输入配置时生成的Token，即可进入OpenClaw控制台。

三、核心配置：Prometheus+夜莺MCP与OpenClaw对接

（一）Prometheus部署与配置

1.  安装Prometheus（阿里云/Windows通用）：
# 阿里云/Linux
wget https://github.com/prometheus/prometheus/releases/download/v2.45.0/prometheus-2.45.0.linux-amd64.tar.gz
tar -zxvf prometheus-2.45.0.linux-amd64.tar.gz
mv prometheus-2.45.0.linux-amd64 /usr/local/prometheus

# Windows
# 访问 https://github.com/prometheus/prometheus/releases下载Windows版本，解压至D:\Prometheus

2.  配置Prometheus.yml（添加监控目标）：

global:
  scrape_interval: 15s
scrape_configs:
  - job_name: 'node'
    static_configs:
      - targets: ['localhost:9100']  # node_exporter地址
  - job_name: 'nightingale'
    static_configs:
      - targets: ['localhost:17000']  # 夜莺地址

启动Prometheus：
```bash
阿里云/Linux
nohup /usr/local/prometheus/prometheus --config.file=/usr/local/prometheus/prometheus.yml &

Windows（PowerShell）

Start-Process -FilePath "D:\Prometheus\prometheus.exe" -ArgumentList "--config.file=D:\Prometheus\prometheus.yml"


### （二）夜莺MCP部署与OpenClaw对接
1.  夜莺部署（参考官方文档：https://flashcat.cloud/docs/content/flashcat-monitor/nightingale-v8/install/binary/）；
2.  获取夜莺Token：登录夜莺平台，进入个人中心→Token管理，创建并保存Token；
3.  OpenClaw配置夜莺MCP：
```bash
# 阿里云/Linux：编辑OpenClaw配置文件
nano ~/.openclaw/openclaw.json

# Windows：编辑配置文件
notepad %USERPROFILE%\.openclaw\openclaw.json

添加MCP配置：

"mcp": {
   
  "nightingale_read": {
   
    "type": "local",
    "command": [
      "npx", "-y", "@n9e/n9e-mcp-server", "stdio",
      "--toolsets", "alerts",
      "--toolsets", "targets",
      "--toolsets", "datasource",
      "--toolsets", "mutes",
      "--toolsets", "notify_rules",
      "--toolsets", "alert_subscribes",
      "--toolsets", "event_pipelines",
      "--toolsets", "users",
      "--toolsets", "busi_groups"
    ],
    "enabled": true,
    "timeout": 20000,
    "environment": {
   
      "N9E_BASE_URL": "http://localhost:17000",  # 夜莺访问地址
      "N9E_TOKEN": "你的夜莺Token",
      "N9E_READ_ONLY": "true"  # 只读模式，生产环境推荐开启
    }
  }
}

重启OpenClaw生效：
```
openclaw gateway restart
```

四、关键环节：Skills开发与编排（低Token消耗核心）

Skills作为AI与运维场景的适配媒介，将复杂运维操作封装为标准化模块，通过“先画像→先估算→默认摘要→按需下钻”的逻辑，可大幅降低Token消耗，提升交互效率。以下为Prometheus与夜莺专属Skills的开发规范与实战代码。

（一）Prometheus Skills开发（细颗粒度查询与诊断）

核心逻辑

通过prom_detect_profile探测指标体系（node_exporter/categraf/mixed）、prom_estimate_cardinality估算查询规模、prom_range_query获取数据摘要、analyze_trend分析趋势，避免全量数据返回导致的Token爆炸。

Skills代码（SKILL.md）

---
name: prometheus
description: "Prometheus 细颗粒度查询与诊断技能（原生 Prom + 适配夜莺 Categraf 指标），用「先估算、再查询、默认摘要、按需取 raw」的方式完成监控排障，避免一次性拉取高基数/大时间范围数据导致 token 爆炸。"
license: MIT
compatibility: openclaw
metadata:
  audience: 运维工程师
  workflow: 监控
  side_effect: read_only
  token_policy: summary_first
  version: 1.0.0
---

# Prometheus Skill（细颗粒度 + Categraf 适配）

## 你应该如何使用本 Skill（给 AI 的路由规则）
**默认流程（强制优先级，从上到下）：**
1) **先探测指标画像**：`prom_detect_profile`（判断 node_exporter / categraf / mixed，以及优先聚合标签 ident/instance，用户明确时可跳过）
2) **先估算返回规模**：`prom_estimate_cardinality`（避免高基数/点位爆炸）
3) **再做查询**：优先 `prom_range_query`（`result_mode=summary`）或 `prom_instant_query`（当前值）
4) **需要解释/诊断**：把 summary 结果交给 `analyze_trend` / `promql_optimize` / `generate_promql`
5) **只有在明确需要**才用 `result_mode=raw`，且 raw 需截断与采样

> 重要：任何时候都不要“直接 query_range 返回全量矩阵”。先 profile → estimate → summary。

## 适配说明：原生 Prom + 夜莺 Categraf
### 支持指标类型
- **node_exporter 风格指标**：`node_cpu_seconds_total`、`node_memory_*`、`node_filesystem_*`、`node_network_*` 等
- **Categraf/Telegraf 风格指标**：`cpu_usage_idle`、`mem_used_percent`、`system_load_norm_5`、`net_drop_in` 等

### 自动适配逻辑
- 检测到 `cpu_usage_idle` / `mem_used_percent` 等 → `profile=categraf_system`
- 检测到 `node_cpu_seconds_total` / `node_memory_*` 等 → `profile=node_exporter`
- 两者都存在 → `profile=mixed`（按对象/label 决策）

## 全局默认保护参数（可覆盖）
- `max_range_seconds`: 21600（6小时）
- `max_series`: 50
- `max_points_per_series`: 600
- `max_raw_points_returned_per_series`: 120（raw 时每条最多返回点位）
- `default_result_mode`: summary
- `truncate_strategy`: head_tail

## 能力模块（Actions）
### A. 画像探测（Profile）
#### prom_detect_profile
**用途**：探测指标体系与优先聚合标签
**输入**：
- `hint_target`（可选）：`{ ident?: string, instance?: string, job?: string }`
- `time_window_seconds`（可选）：默认 3600（1h）
**输出**：
```json
{
  "profile": "node_exporter | categraf_system | mixed | unknown",
  "label_strategy": { "primary": "ident | instance", "secondary": "instance | ident" },
  "signals": {
    "found_metrics": ["cpu_usage_idle", "mem_used_percent", "node_cpu_seconds_total"],
    "found_labels": ["ident", "instance", "job"]
  },
  "next_step": "prom_estimate_cardinality"
}

B. 规模估算（Cardinality / Risk）

prom_estimate_cardinality

用途：估算查询返回规模，给出风险等级与建议
输入：

query（必填）：PromQL

start/end（可选）：若提供则估算点位
输出：

{
     
"risk_level": "low | medium | high",
"estimated_series_upper_bound": 120,
"estimated_points_per_series": 360,
"suggested_step_seconds": 60,
"suggestions": [
  "为 query 增加 label 过滤（job/instance/ident/namespace/pod）",
  "用 topk() 或 sum by() 先聚合",
  "缩短时间范围或增大 step"
]
}

C. 常用PromQL模板库（适配两种指标体系）

1. CPU使用率

categraf_system：100 - cpu_usage_idle{cpu="cpu-total"}
node_exporter：100 - avg by(instance)(rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100

2. 内存使用率

categraf_system：mem_used_percent
node_exporter：(1 - (node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes)) * 100

3. 网络丢包（1m增量）

categraf_system：increase(net_drop_in[1m])
node_exporter：increase(node_network_receive_drop_total[1m])
```

Skills部署与测试

创建Skills目录并部署：
```bash
阿里云/Linux
mkdir -p ~/.openclaw/skills/prometheus
nano ~/.openclaw/skills/prometheus/SKILL.md
粘贴上述Skills代码并保存

Windows

mkdir -p %USERPROFILE%.openclaw\skills\prometheus
notepad %USERPROFILE%.openclaw\skills\prometheus\SKILL.md

粘贴上述Skills代码并保存

2. 重启OpenClaw：
```bash
openclaw gateway restart

测试技能可用性：在OpenClaw控制台发送指令：
```
使用prometheus技能，查询本地Prometheus中服务器内存剩余量（node_exporter指标）
```
返回服务器内存总容量、可用容量、使用率等摘要信息即为成功。

（二）夜莺MCP Skills开发（平台对象查询与联动）

核心逻辑

夜莺Skills聚焦“平台对象查询”（规则/告警/目标/屏蔽等），遵循“先意图路由、默认摘要输出、按需下钻、必要时联动Prometheus”的原则，减少无效调用与Token消耗。

Skills代码（SKILL.md）

---
name: nightingale
description: "Nightingale（夜莺）MCP 细颗粒度平台技能：基于官方 toolsets，默认 summary_first + 字段白名单 + 分页，避免 token 爆炸；需验证告警表达式时联动 Prometheus skills。"
license: MIT
compatibility: openclaw
metadata:
  audience: 运维工程师
  workflow: 告警管理/监控目标排障/事件响应
  side_effect: read_only_by_default
  token_policy: summary_first
  version: 1.0.0
---

# Nightingale Skill（MCP 细颗粒度 + 联动 Prometheus）

## 总体设计目标
- **Summary First**：默认输出“摘要 + 关键证据”，不输出大段 JSON
- **最少工具调用**：按用户意图选择最小动作集（1~2 个 MCP 调用）
- **字段白名单**：裁剪输出字段，避免返回体过大
- **按需联动**：验证告警表达式时才调用 Prometheus skills

## 路由规则（AI 调用逻辑）
### 强制优先级
1) 问告警规则 → `alerts.list_alert_rules` / `alerts.get_alert_rule`
2) 问活跃/历史告警 → `alerts.list_active_alerts` / `alerts.list_history_alerts`
3) 问监控目标 → `targets.list_targets`
4) 问数据源 → `datasource.list_datasources`
5) 事件响应（屏蔽/通知/流水线）→ 对应工具集（如 `mutes.list_mutes`）
6) 无明确对象 → 默认查询告警规则

### 写操作门禁（默认只读）
仅允许创建/更新屏蔽规则，需满足：
- 用户明确包含“动作词+对象词”（如“创建屏蔽规则”）
- 提供必要参数（起止时间/匹配条件/业务组 gid 等）

## 全局保护参数
- `default_limit`: 50（list 默认最多返回 50 条）
- `hard_max_limit`: 200（上限）
- `max_text_len`: 256（长字段截断）
- `default_time_range`：活跃告警默认1h，历史告警默认24h

## 能力模块（Actions）
### A. 告警规则查询
#### alerts.list_alert_rules
**用途**：列出业务组告警规则
**输出（summary）**：
```json
{
  "gid": 1,
  "gname": "Default Busi Group",
  "top_rules": [
    {
   
      "id": 101,
      "name": "系统内存不足1G",
      "enabled": true,
      "brief_expr": "node_memory_MemAvailable_bytes < 1073741824",
      "updated_at": "2026-02-27T11:41:46Z"
    }
  ],
  "truncated": false
}

B. 监控目标查询

targets.list_targets

用途：列出被监控目标，默认返回问题目标
输出（summary）：

{
   
  "up_count": 118,
  "down_count": 2,
  "down_list": [
    {
   
      "ident": "host-a",
      "instance": "10.0.0.9:9100",
      "last_scrape": "2026-02-27T14:22:31Z",
      "last_error": "context deadline exceeded"
    }
  ]
}

联动 Prometheus 逻辑

触发联动场景

“这条规则为什么触发？”
“验证告警表达式过去1小时趋势”
“阈值是否过低？”

联动流程

alerts.get_alert_rule 获取告警表达式与数据源信息
调用 Prometheus skills：prom_estimate_cardinality → prom_range_query（summary）→ analyze_trend
返回摘要统计结果（min/max/p95/trend），不贴全量点位
```

Skills部署与测试

部署Skills：
```bash
阿里云/Linux
mkdir -p ~/.openclaw/skills/nightingale
nano ~/.openclaw/skills/nightingale/SKILL.md
粘贴上述代码保存

Windows

mkdir -p %USERPROFILE%.openclaw\skills\nightingale
notepad %USERPROFILE%.openclaw\skills\nightingale\SKILL.md

粘贴上述代码保存

2. 重启OpenClaw：
```bash
openclaw gateway restart

测试技能：发送指令“查询夜莺上所有告警规则及阈值”，返回结构化规则列表即为成功。

五、实战案例：全流程监控分析与排障

案例场景：服务器内存监控与告警验证

操作指令

Prometheus地址为http://localhost:9090，查询服务器内存剩余状态，判断是否会触发夜莺上的内存阈值告警；若未触发，分析当前告警规则是否存在缺失，给出补充建议。

执行流程与结果

OpenClaw读取Prometheus与夜莺Skills，先调用prom_detect_profile探测指标体系（假设为node_exporter）；
执行prom_estimate_cardinality估算查询规模（risk_level=low）；

调用prom_range_query获取内存数据摘要：

{
     
"range_seconds": 3600,
"step_seconds": 60,
"series_count": 1,
"top_series": [
 {
     
   "labels": {
      "instance": "127.0.0.1:9100" },
   "stats": {
      "min": 1.58GB, "max": 1.72GB, "avg": 1.69GB, "last": 1.69GB, "trend": "flat" }
 }
],
"truncated": false
}

调用夜莺MCP工具alerts.list_alert_rules获取告警规则：

{
     
"gname": "Default Busi Group",
"top_rules": [
 {
     
   "name": "系统内存不足1G",
   "expr": "node_memory_MemAvailable_bytes < 1073741824",
   "severity": "Critical",
   "eval_interval": 15,
   "for": 60
 }
]
}

AI分析：当前可用内存1.69GB > 告警阈值1GB，不会触发告警；
深度分析告警规则缺失：
```
当前夜莺告警规则覆盖率约10%，缺失关键监控项，建议补充：
高优先级（必须）：
CPU使用率过高：100 - avg by(instance)(rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100 > 80 for: 300s
磁盘空间不足：(1 - node_filesystem_avail_bytes / node_filesystem_size_bytes{fstype!~"tmpfs|overlay"}) * 100 > 85 for: 300s
磁盘inode不足：(1 - node_filesystem_files_free / node_filesystem_files) * 100 > 85 for: 300s

中优先级（建议）：

网络接收丢包：rate(node_network_receive_drop_total[5m]) > 10
TCP TIME_WAIT过多：node_sockstat_TCP_tw > 5000
```

六、常见问题排查

（一）组件对接问题

OpenClaw无法调用夜莺MCP：
- 解决方案：检查夜莺Token是否正确；验证N9E_BASE_URL是否可访问；确认MCP工具集已启用（如--toolsets alerts）；重启OpenClaw服务。
Prometheus查询无结果：
- 解决方案：检查Prometheus配置文件中监控目标是否正确；验证9090端口是否放行；执行prometheus --config.file=prometheus.yml查看日志排查错误。

（二）Skills使用问题

Skills未被识别：
- 解决方案：确认Skills文件路径正确（~/.openclaw/skills/组件名/SKILL.md）；检查文件格式是否为Markdown；重启OpenClaw网关。
Token消耗过高：
- 解决方案：确保Skills启用summary_first策略；限制max_series与max_points_per_series参数；避免直接调用result_mode=raw。

（三）服务运行问题

OpenClaw启动失败（端口占用）：
- 解决方案：阿里云执行lsof -i:18789 | kill -9 进程号；Windows执行netstat -ano | findstr :18789 → taskkill /PID 进程号 /F。
夜莺MCP调用超时：
- 解决方案：增大timeout参数（如20000→30000）；检查服务器网络是否通畅；升级服务器配置（2核4GB以上）。

七、总结：AIOps运维的高效落地路径

2026年，OpenClaw+Prometheus+夜莺MCP的组合方案，通过Skills的细颗粒度编排，完美解决了传统运维架构复杂、AI融合不足、Token消耗大等痛点。方案以“轻量化整合”为核心，无需复杂定制开发，即可实现监控数据采集、AI分析、告警管理的全流程闭环，适用于中小企业与单人运维场景。

通过本文的部署流程与实战案例，运维人员可快速落地该方案：先完成OpenClaw的云端或本地部署，再对接Prometheus与夜莺MCP，最后通过Skills封装标准化运维流程，实现“AI驱动的自动化监控分析”。后续可进一步扩展Skills覆盖Trace（链路）、Log（日志）维度，构建“Metrics+Trace+Log”全维度AIOps体系，实现“指标异常→链路卡点→日志根因”的端到端智能排障。

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

阿里云1分钟或本地部署OpenClaw+AIOps高效运维实战：Prometheus+夜莺MCP，轻量化监控分析指南

一、方案核心逻辑与组件解析

（一）方案核心定位

（二）核心组件作用与联动关系

（三）通用前置准备

二、基础部署：2026年OpenClaw部署流程（阿里云+Windows本地）

方案一：阿里云部署（长期稳定运行首选）

阿里云用户零基础部署OpenClaw步骤喂饭级步骤流程

步骤1：阿里云服务器配置

步骤2：OpenClaw安装与初始化

方案二：Windows本地部署（快速体验与测试）

步骤1：基础环境配置

步骤2：OpenClaw安装与启动

三、核心配置：Prometheus+夜莺MCP与OpenClaw对接

（一）Prometheus部署与配置

阿里云/Linux

Windows（PowerShell）

四、关键环节：Skills开发与编排（低Token消耗核心）

（一）Prometheus Skills开发（细颗粒度查询与诊断）

核心逻辑

Skills代码（SKILL.md）

B. 规模估算（Cardinality / Risk）

prom_estimate_cardinality

C. 常用PromQL模板库（适配两种指标体系）

1. CPU使用率

2. 内存使用率

3. 网络丢包（1m增量）

Skills部署与测试

阿里云/Linux

粘贴上述Skills代码并保存

Windows

粘贴上述Skills代码并保存

（二）夜莺MCP Skills开发（平台对象查询与联动）

核心逻辑

Skills代码（SKILL.md）

B. 监控目标查询

targets.list_targets

联动 Prometheus 逻辑

触发联动场景

联动流程

Skills部署与测试

阿里云/Linux

粘贴上述代码保存

Windows

粘贴上述代码保存

五、实战案例：全流程监控分析与排障

案例场景：服务器内存监控与告警验证

操作指令

执行流程与结果

六、常见问题排查

（一）组件对接问题

（二）Skills使用问题

（三）服务运行问题

七、总结：AIOps运维的高效落地路径

热门文章

最新文章

相关电子书