最近更新：2026-06-06 · English version: ROADMAP.md
开源仓 Ongrid 的工作路线图。把 2026-06-06 规划讨论的新方向与散落在 ADR / HLD / PRD / 历史规划备忘录里的 backlog 合到一起。
✓已落地 —— 仅作为后续工作的背景列出◐进行中□已规划，尚未开始◯Park —— 明确暂缓，等达到触发条件再启动
Ongrid 的护城河是 geminio 双向通道 + AI agent 能在客户机器上真动手。
三件套（指标 / 日志 / 链路）是入场券，不是差异化。每一条 roadmap 项都
回答一个问题：这事是不是让 agent 多一种动手能力、或者让 incident 时
间线多一个动作？ 纯展示型功能让位。
每个段落内的顺序是段内优先级，不跨段比较。
- A.1
✓Phase 1 —— investigator prompt 改写为因果回溯循环max_turns25 → 40- 结构化输出
根因 / 因果链 / 现象 / 置信度
- A.2
✓Phase 2 ——query_change_eventsBaseTool- 读 HLD-010 audit log 作为 "0 号病人" 候选
- 经
Registry.SetAuditLister连入
- A.3
□边端变更事件源- 当前 audit log 只看得到走 Ongrid 的变更
- 订阅
journald+dockerd events+apt/dnfhistory - 让外部 SSH、带外部署、容器 churn 也能进 RCA 候选集
- A.4
□有向依赖边 + 基线- 拓扑图当前无向 —— 分不清上下游
- 加方向 + 每指标历史基线
- 两者一起喂进 RCA prompt
- A.5
□跨会话相似 incident 检索incident_resolutions表 + embedding 库query_similar_incidentsBaseTool- 详情页 resolve modal 闭环 "见过这种情况"
- A.6
□RCA 置信度校准- 每 incident 置信度 vs 运维标注的正确率，长期回流
- 调 prompt / 选择模型
- A.7
□根因图可视化- 因果链以节点-边图渲染在报告旁边
- hover 节点看证据（PromQL / 日志行 / trace span）
- B.1
□远程抓包 → 对象存储 + 产品端渲染 ★capture_pcap(iface, bpf, duration)BaseTool- tarball 上传到内置 MinIO / S3
- incident 时间线挂内嵌 pcap 查看器（web wireshark 或简化流表 UI）
- SaaS 同行不敢做 —— 没有安全的双向通道
- B.2
□网络探测一类工具升一级公民probe_tcp/probe_http/probe_dnstraceroute/mtr- 各有自己的结构化输出 schema，时间线渲染干净
- B.3
□文件 / 日志 / 内核诊断tail_file、grep_filestrace、lsof、dmesg、sosreport
- B.4
◐网络 Layer-1 —— cmdpolicy 扩展（已落地）- 9 个 binary：OVS / nft / conntrack / ipset / ethtool / bpftool /
ip netns - 只开 read，write 留给 SOP 走双签
- 源码：
internal/edgeagent/cmdpolicy/policy.go
- 9 个 binary：OVS / nft / conntrack / ipset / ethtool / bpftool /
- B.5
□网络 Layer-2/3 skillhost_ovs_show、host_netfilter_dump、host_conntrack_summary- eBPF preset 库 —— 只放 preset id，永远不允许
bpftrace -e <body>这种裸传
- C.1
□LLM 生成 PromQL / LogQL / TraceQLchat_to_queryBaseTool- 上下文喂 label 集合 + 指标 metadata
- 执行前先 dry-run preview
- 高频 pattern 自动存模板
- 把不会写查询语言的运维门槛降下来
- C.2
□Chat → Grafana panel- 自然语言描述 → 选 panel + range + 变量
- 直接 deep-link 或在 chat 里内嵌
- C.3
□Schema 感知的自动补全- 手写查询时的内嵌编辑器
- 从实时
/api/v1/labels提示 label + function
- D.1
□专家 sub-agent 分工- persona：
specialist-network/specialist-disk/specialist-process - coordinator 按 incident 类型派单，并约束 tool bag
- 把现在闲置的 sub-agent 框架真用上
- persona：
- D.2
□Critic loop（自我批判）- 主 ReAct 跑完 → critic LLM 审
- 没证据的断言
- 应调没调的工具
- 断掉的因果链
- 最多 2 轮反馈
- 业界报 +10–30% 准确率
- token 翻倍 —— gate 在
severity ≥ critical
- 主 ReAct 跑完 → critic LLM 审
- D.3
□Eval / replay 框架- 5–10 个 golden incident，标好期望 tool 集 + 关键词
cmd/ongrid-evalCLI- CI 钩子：改 prompt / persona / 工具描述时强跑
- D.4
□提案 & 确认中介层- 作用：所有 agent 触发的 mutating 动作 —— chat、SOP 执行（K）、 守望任务（L.3）一律走同一条管道。
- D.4.1 提案生命周期
pending→approved/rejected/expired/executed/rolled-back- 落
mutating_proposal表（签名信封）
- D.4.2
review_gatesub-agent- reviewer worker 起草提案、点名 SOP 步骤、暴露 blast radius、附 dry-run 输出
- D.4.3 审批策略
- 级别：
safe自动 /mutating单人审 /dangerous双签 - 角色：viewer 永远不行 / user 限 scope / admin 全局
- 支持 per-edge / per-resource 覆盖
- 级别：
- D.4.4 IM 侧审批
- Slack / 飞书 / Telegram 消息带
Approve/Reject/Defer按钮 - 短期 token 绑定到具体提案
- Slack / 飞书 / Telegram 消息带
- D.4.5 提案预览（dry-run diff）
- 签字前看到将要发生的变更
- 文件类显 unified diff；服务类显前后状态探测
- D.4.6 批量化
- 一份提案、N 个 edge，all-or-nothing 或滚动应用
- 每个 edge 可单独 opt out
- D.4.7 过期 + 自动 decline
- 默认 24h，按 policy 可调
- 过期提案绝不静默执行
- D.4.8 委派 + on-call 路由
- 非工作时间的提案路由到当班 on-call（接 G.10 on-call schedule）
- "忙了就交给下一档"的 fallback 链
- D.4.9 提案审计链
- hash-chain 条目（接 I.4）
- 提案 URL 可分享，事后复盘用
- D.5
□Token / 成本预算- per-org / per-user 月度上限
- 单次硬超时 + token 上限
- 触上限前降级（小模型 / 少步数）而不是粗暴 abort
- E.1
□全局 Side Panel 助理- 浮动按钮 +
Cmd+K，任意页面唤起 - 自动拿当前页 context 当 seed prompt
- 体感提升最大；后面 E.2–E.5 都挂在这里
- 浮动按钮 +
- E.2
□多助理 / 用户自定义助理- 每个助理自己的 prompt + 工具子集 + 默认 scope
- Side Panel 里切换
- E.3
□Quick Action 卡片- chat 输入框上方动态插槽
- 按 page context 推荐 "一键问" 模板
- E.4
□Knowledge 收藏- 有用的 agent 结论 📌 钉到
agent_knowledge - 详情页 "相关知识" 面板
- 列表页搜索
- 有用的 agent 结论 📌 钉到
- E.5
□推理时间线可视化- chat toggle 把
user → thought → tool_calls → tool_results → final渲染成树
- chat toggle 把
- E.6
□审批 UI- 一键 approve / reject D.4 提案
- 移动端友好卡片
- on-call 班次的 swipe 收件箱
- F.1.1
□K8s edge 插件- 节点二进制 / 单 pod in-cluster 两种装法
- service-account 驱动 kubectl
- 出厂带 RBAC manifest
- F.1.2
□K8s BaseTool 套kube_get_pods/kube_describekube_logs（streaming）/kube_events/kube_topkube_exec走 dangerous 等级
- F.1.3
□Operator / CRD 部署OngridEdgeCRD- DaemonSet 模式
- 跟 ADR-024 bundle upgrade 对齐
- F.1.4
□K8s 拓扑- Pod / Deployment / Service / Ingress 作为拓扑节点
- blast radius BFS 跨 K8s 资源
- F.2.1
□只读 inventory 工具- AWS / GCP / 阿里云 / 腾讯云
- EC2 或 CVM 列表、VPC、安全组、RDS、LB、对象存储
- F.2.2
□云监控 read-through- CloudWatch / Stackdriver / 阿里云 CMS 作为 RCA 证据源
- 不替换 Prom —— 补云原生资源的盲区
- F.2.3
□云成本cloud_cost_breakdownBaseTool- 跟 incident 关联：贵的 incident 优先看
- F.2.4
□多 org 云凭证- credential vault + rotate
- 对齐 ADR-023（git 凭证双轨）
- F.3.1
□Ollama 适配- Custom（OpenAI 兼容）卡片 hint 预填
http://localhost:11434/v1 - 自动 list 模型
- 卖点：零外发数据
- Custom（OpenAI 兼容）卡片 hint 预填
- F.3.2
□vLLM / SGLang / LMDeploy preset- 自有 GPU 的私有化客户
- F.3.3
□Bedrock / Vertex- 企业云客户，等问到再做
- F.4.1
✓Slack / Telegram / 飞书 双向（ADR-021 / ADR-031） - F.4.2
□钉钉 —— 把国内三件套补齐 - F.4.3
□Microsoft Teams —— 海外企业必备 - F.4.4
□企业微信双向- 当前只有 webhook outbound
- 想用 chat 下指令必须做 bot 模式
- F.5.1
✓Loki 路径（ADR-012） - F.5.2
□Tempo Traces- 边端 OTel collector 反代到 manager ingress
- 跟 metrics 路径同 pattern
- 第一个客户问需求前不开 —— 存储 + UX 是个黑洞
- F.5.3
□eBPF 自动 trace（Pixie 启发）- 必须先把 F.5.2 跑稳
- G.1.1
□端口冲突预检- 先
ss -tlnp | grep :443 - 撞了自动 bump 到
8443/8080 - 同步传到
ONGRID_PUBLIC_URL
- 先
- G.1.2
□共存 vs 独占问询- preflight 问："这台机是不是只跑 ongrid"
- 答案决定端口和 public URL
- G.1.3
□内网 vs 公网 IP 确认- 单机自玩用户其实想要内网 IP
- 云 metadata 默认拿公网 IP 并不总对
- G.1.4
□mirror 健康检查- 写完
daemon.json+ restart docker 后docker pull hello-world - 失败就回滚或换备用 mirror 列表
- 写完
- G.1.5
□read -s隐藏管理员密码- 当前会进
.bash_history
- 当前会进
- G.1.6
□首次开机引导 wizard- admin 改密 → LLM provider → IM → 第一台 edge 安装 一条龙
- 对齐 PRD-001
- G.1.7
✓卸载脚本- 整目录 purge 插件二进制 + 工作目录
- 无条件 stop unit +
pkill -9兜底 - PR #46 / PR #47
- G.1.8
□离线 / 私有网络安装包- 一个 tarball 不带任何外网调用
- 镜像内置、镜像仓配置、license 校验
- G.2.1
✓ADR-024 一键 bundle 升级 +.previous回滚 - G.2.2
□升级 channel + canary- stable / beta / canary，按 edge tag 灰度
- G.2.3
□健康感知 rollout- 升完 30s 心跳不绿自动回滚
- G.2.4
□离线升级包- 内网客户场景
- manager 当 mirror
- G.2.5
□批量重注册- 一次性轮换 edge 凭证 / 跨 fleet 重新登记
- G.2.6
□Edge fleet 标签 + selectorenv=prod、region=cn-east、role=db- selector 同时被升级、SOP 目标、告警路由消费
- G.3.1
◯nginx/prometheus/加auth_request- 把 remote_write 接口从公网关上
- G.3.2
◯promwrite.Ingesterring buffer + worker pool + bbolt DLQ - G.3.3
◯VictoriaMetrics drop-in compose profile - G.3.4
◯install.shTSDB 选型- 内建 Prom / VictoriaMetrics / 外部 TSDB 三选一
- G.3.5
◯label whitelist 控基数 - 触发条件（满足任一即 unpark）
- 单客户 > 100 edges
- 客户主动问 HA / SLA
- manager 日志出现
promwrite写超时累积
- G.4.1
✓/metrics、6 条自身告警、自身 dashboard - G.4.2
□SLO 板- 可用率、工具成功率、RCA 准确率（数据来自 D.3）
- G.4.3
□自诊断 agent- 周期跑 self-RCA 对自家 manager
- G.5.1
□Manager 全量快照- MySQL + Qdrant + 对象存储 一并打包
- 可配置 retention
- G.5.2
□一键 restore- 新 manager 指向 snapshot tarball
- 校验 schema 版本 + edge 重握手计划
- G.5.3
□异地复制- rsync / S3 sync 到 cold standby region
- G.5.4
□演练模式- 定时从最新备份做 restore 演练，回报 MTTR
- G.5.5
□Edge 状态 checkpoint- 升级前快照插件工作目录（
.previous已经做了一半）
- 升级前快照插件工作目录（
- G.6.1
◯Active-standby manager 对- MySQL 共享（DRBD / 托管 cluster）
- VRRP / 浮动 IP
- 触发条件：客户问 SLA 或 > 100 edges
- G.6.2
◯多区域只读副本 - G.6.3
□Manager 深层/healthz- 探每一个依赖
- G.6.4
□Tunnel session 迁移- geminio 会话在 manager 副本之间漂移，edge 不重连
- G.7.1
□去重 + 分组- 按
alertname + labels哈希窗口 - 一组只发一条通知，详情追加
- 按
- G.7.2
□静默（silence）- 运维设置带 reason 的限时静默
- 涉及 dangerous 类别的静默走 D.4
- G.7.3
□关联- 图遍历找关联告警（同 edge / 同服务 / 同 incident）
- 合并到一个 incident artefact
- G.7.4
□路由策略 DSL- 按 team / severity / 时段 路由
- N 分钟无 ack 自动升级
- G.7.5
□通知偏好- 单用户配渠道、勿扰时段
- G.8.1
□On-call 排班- 团队 + 轮值日历
- 升级链
- 接 G.7.4 路由
- G.8.2
□维护窗- per-edge / per-fleet
- 同时抑制告警 + 暂停 SOP 执行提案
- G.8.3
□交班摘要- 班次切换时的摘要：开着的 incident、挂起的提案、最近的变更
- G.9.1
□多 edge SOP 执行- 一份 playbook 应用到 selector（G.2.6）
- 每 edge dry-run 结果，滚动应用
- G.9.2
□Config-as-code（GitOps）- 告警 / SOP / 渠道存 Git 仓库
- manager 周期 reconcile
- G.9.3
□配置漂移检测- 实际配置 vs desired 的 diff
- 报为低优 incident
- G.9.4
□资产清单 / CMDB- 一张表：edge → 主机 → 已装包 → 暴露端口 → owner
- 喂回 RCA 和拓扑
- G.10.1
□单页全局状态板- 所有 edge、所有 incident、所有挂起提案
- 按 severity 着色
- G.10.2
□Kiosk 模式- 大屏友好
- 多 fleet 轮播
- G.10.3
□按角色保存的视图- "L1 triage"、"DBA on-call"、"网络 on-call"
- G.11.1
□OS / package CVE 扫描- 每 edge 的 inventory + CVE feed
- 通过 D.4 提案派生 patch SOP
- G.11.2
□Edge 自身二进制 CVE 感知- manager 警告"装着的 edge bin 有已知 CVE"
- G.12.1
□事故复盘模板- 从 incident 时间线自动填
- LLM 起草叙述，运维改
- G.12.2
□变更日历- 轻量"什么时候部署什么"
- 与 SOP 执行交叉引用
- G.13.1
✓ADR-023 SSH key 表 + git 凭证双轨 - G.13.2
□ADR-018 RepoFetcher- per-repo auth；不能把上一版被 park 的 token 泄漏问题带回来
- G.13.3
□离线 vault 包- 无外网客户场景
- 内置 vault + 离线快照 tarball
"agent 想试一下危险操作"的公共底座 —— 覆盖 dry-run、capability 控制、
内核隔离、skill 测试。今天靠 cmdpolicy + Tool.Class 撑着，这段是
未来怎么长大的草图。
- H.1
◯microsandbox runtime（升级路径）- rootless + OCI 单 binary
- 第一档插件式沙箱；客户主动要求 kernel 隔离才启
- cmdpolicy + bash 还是默认通道
- H.2
◯Python 执行通道（script_python tool）- 等 microsandbox 落地后再开（N+16 memo）
- seccomp + import 白名单 + env 清洗
- H.3
□SOP playbook 的 dry-run 沙箱- 用
--dry-runshim 跑 playbook - 回返预期 diff，零真实副作用
dangerous类提案必须先通过 dry-run 才能进 D.4 签字
- 用
- H.4
□web-fetch 工具的浏览器沙箱- 容器里的临时 headless chromium
- 无持久 cookie，per-call profile
- H.5
□Skill / playbook 创作沙箱- skill 作者编辑 + 用合成 edge fixture 测试
- 沙箱绿了才能 publish
- H.6
□每租户 compute 预算- agent + tool 子进程 CPU / mem 上限
- per-user-per-minute 速率限制
- H.7
□seccomp + capability profile 库- 每 tool 一份 profile，进仓
- 从
cmdpolicy规则自动生成
- H.8
□Dangerous 类的临时容器包装- I/O 破坏类命令塞进一次性容器
- bind-mount 目标目录
- 失败回滚 = 删容器
- I.1
□SSO / SAML / OIDC- Okta / Azure AD / Google Workspace
- JIT 用户开通 + role mapping
- I.2
□MFA 强制- 最低 TOTP
- per-org 策略：必须 / 可选 / 关闭
- I.3
□会话管理- 单用户活跃会话列表
- admin UI 撤销
- per-org IP 白名单
- I.4
□Tamper-evident audit log- hash-chain 记录（D.4 提案信封会引用 chain hash）
- 每日 root hash 锚到 Git，供外部验证
- I.5
□凭证轮换策略- LLM key、IM token、git deploy key
- 运维设置轮换周期；UI 显示当前 key 的年龄
- I.6
□TLS 证书自动轮换- manager 走 Let's Encrypt + 自签兜底
- edge agent 心跳时拉新 manager cert
- I.7
□边端二进制漏洞跟踪- 已装的 bundled bin 版本通过
/edge/inventory暴露 - CVE feed → 动作卡
- 已装的 bundled bin 版本通过
- I.8
□LLM prompt 的 PII 过滤- 可配置脱敏（IP / 邮箱 / 主机名 可选）
- on-prem 模式把所有 LLM 流量绑在自托管
- I.9
□Prompt injection 防御 + 输出内容过滤- 工具描述带信任级 tag
- 输出渲染前扫漏的凭证
- I.10
□速率限制 per-user / per-org- chat msg / min、tool call / hour、IM webhook / sec
- I.11
□静态加密- MySQL + Qdrant + 对象存储
- 企业版支持 per-org KMS
- I.12
□合规证据包- 一键导出：audit log、访问列表、变更历史、incident 时间线
- 适配 SOC2 / ISO 27001 / 等保
- I.13
□Per-org secrets vault- 静态加密、scope 到 org
- SOP runtime 通过 env 注入
- I.14
□异常使用检测- 新地理位置登录、dangerous 工具调用激增
- 通知 + 可选自动隔离
- J.1
◯Skill marketplace 公开化（ADR-017）- skill 数量到 ~30 再 unpark
- J.2
□HLD-009 coordinator e2e evaluation 上线- 当前只是设计
- D.3 eval 框架落地后才能跑
- J.3
□HLD-012 code-aware 分析- 代码仓库结合 incident
- PR diff → 影响面分析
- J.4
◯开源生态- 插件 SDK 文档 + 第三方 BaseTool 注册
- 等开源拆分（ADR-030）孵化出贡献者再启
整张 roadmap 里最大的工程。故意放靠后：A–I 要么是 SOP 的前置依 赖，要么是 SOP 安全上线的前提。前面 B（诊断工具）、D（agent 内核 含 D.4 提案中介）、H（沙箱）、I（安全）四块没跑稳前不开 SOP —— 否则可执行路径会变成"产事故的引擎"而不是护城河。
- K.1
□Tool.Class 三级safe（只读）/mutating（改状态）/dangerous（不可回滚）- 替换今天的二值 read / write 分流
- K.2
□SOP DSL- YAML runbook：
triggers/steps/approvals/rollback
- YAML runbook：
- K.3
□双签执行链路- manager RSA 签
- edge 校验
- 两端 audit log 都打齐
- 运维一侧的确认走 D.4
- K.4
□单步回滚- 每个 mutating step 声明逆操作（不可逆则声明
noop） - 中止的执行按反序 unwind
- 每个 mutating step 声明逆操作（不可逆则声明
- K.5
□起手 playbook 库host_restart_servicedisk_cleanuplog_rotatecertificate_renew
- K.6
□Playbook 市场（内部）- org 之间 share + import playbook
- 由作者 org 签名
- K.7
□SOP 执行时间线- 单次执行视图：每步 logs / exit code / 前后 diff
- 可回放用于复盘
共用一个调度器原语；面向"agent 长时间盯着"这种工作量，不是同步 chat。
- L.1
□巡检- 每天 / 每周扫所有 edge
- 跑轻量 RCA：
top_load_anomaly/dep_health_check/cert_expiry_check - 命中风险自动建 incident
- L.2
□周报 / 月报- 跨 edge 汇总告警、incident、执行过的动作
- LLM 写摘要
- IM 推送
- L.3
□守望任务 / 主动推送create_watch(condition, expire_at)BaseTool- 命中条件后 SSE 推回原 session
- L.4
□容量预测- 磁盘 / 内存 / 基数 趋势外推
- 阈值预测在 N 天内会撞时通过 D.4 起提案
- L.5
□成本汇总- LLM token + 存储 + 带宽 按 org 归因
- 月度邮件