Python开发AI智能体：实现智能运维

这门课解决什么工作场景

如果你做后端、运维或 SRE，日常大概率被这些事拖住：盯着 CPU 和内存曲线判断要不要扩容、登录多台机器排查异常进程、写一堆规则脚本却挡不住突发故障。这门课的主题是把 Python 脚本和本地大模型拼到一起，让运维多一层“预测+自然语言交互”的能力。它不是教你从零写大模型，而是用 Ollama 在本地拉起 DeepSeek-R1，再用 psutil 采集系统指标、用 paramiko 远程执行命令，把“机器状态→文本→模型判断→自动响应”这条链路跑通。场景很具体：Linux 系统资源智能预测。换句话说，它解决的是“告警来了还得人肉看日志”的痛点，让智能体替你先做一轮初筛。

适合什么基础、建议先看哪几块

它不是纯入门课。你需要能独立写函数、用过 pip 装包、在 Linux 命令行里不慌，懂一点进程和端口概念会更顺。完全没碰过 Python 的话，建议先补基础再来看，否则到 paramiko 调远程机器那一步容易卡。看资料时建议这样排顺序：先把本地大模型环境那几节过一遍，重点不是模型原理，而是 Ollama 怎么装、DeepSeek-R1 怎么拉起来、显存不够时怎么取舍；接着看系统资源采集那节，弄清 psutil 能拿到哪些指标、paramiko 怎么连多台机器；最后再把两者拼成智能体。中间涉及大参数模型部署的部分，如果手头没有高配显卡，可以跳过实操、只理解思路，别硬跑 671B 那种体量。

学完能独立做什么、资料怎么配合练习

学完之后，你应该能独立搭一个最小可用的小助手：给它一台或几台 Linux 机器，它会周期性取资源数据，异常时把上下文喂给本地模型，让模型给出“是不是要扩容、哪个进程像元凶”的判断，必要时自动执行预设命令。这不算真正意义上的全自动 AIOps，但作为团队内部的提效工具足够用，也比纯写 Shell 脚本更可维护。练习时建议这样配合资料：每看完一节，先暂停视频，自己在虚拟机里把代码敲一遍，别只跟着看；资源采集部分务必用一台干净虚拟机跑通，确认能拿到 CPU、内存、磁盘数据；智能体串联那部分，先用小参数模型替代大模型，验证链路通了再考虑换大模型。遇到报错先查依赖版本和端口占用，这往往是实操里最容易踩的坑。把每个小节当成一个可复现的脚本去沉淀，比一口气刷完更有价值。