让 Codex 值夜班：把告警排查与巡检接成可回滚的自动化链路

半夜告警响起来，值班群里最让人心里一沉的是那句"服务挂了"。人肉登机器、翻日志、一条条敲命令，折腾十分钟把故障压下去了，天亮还得补一份谁也说不清的排障记录。

现成的运维脚本库只覆盖你提前想到的场景，遇到没写过的问题照样得靠人现场发挥；而把大模型直接扔上生产机又太危险------它会写 rm -rf，也真的敢执行。

本文分享一套把 Codex CLI 改造成"能值夜班的运维智能体"的落地方案：沙箱权限做缰绳 + 只读诊断链路 + 审批与审计护栏，可直接落地。

一、Codex 进机房前：先给它套上权限缰绳

把智能体放上服务器之前，先决定它能碰到哪些东西：

权限三档 ：read-only 只读、workspace-write 仅写工作目录、danger-full-access 全放开，生产机默认停在前两档。
信任目录 ：把 /srv/ops 这类排障工作目录写进配置的 projects 段，智能体在目录里改脚本不必逐条审批。
审批闸门 ：approval_policy 设为 on-request，它想执行重启、删除时会停下来问你一句。

三档权限的边界可以这样对照：

模式	可执行内容	可写范围	适用场景
read-only	只读命令	不可写	排查、巡检、看日志
workspace-write	常规命令	仅工作目录	生成脚本、改配置草稿
danger-full-access	任意命令	任意路径	仅限有人盯着的临时窗口

下面这段配置放在家目录下，给 Codex 划出可读、可写、需审批三类边界：

toml 复制代码

# ~/.codex/config.toml
model = "gpt-5-codex"
approval_policy = "on-request"            # 危险命令先问我
sandbox_mode = "workspace-write"          # 默认只能写工作目录
sandbox_workspace_write.network_access = false

[projects."/srv/ops"]
trust_level = "trusted"                   # 目录内改脚本免审批

默认只读、写入受限、危险动作必审批：先画好围栏，再谈自动化。

二、让它先拿证据再说话：把值班经验写进提示词

同一个问题，提示词写法不同，跑出来的动作完全不同：

上下文给足：主机名、端口、日志路径、unit 名，能写死的都写死，别让模型去猜机器长什么样。
动作先锁死：明确"只诊断、不修复"，等它把证据摆上桌，人再决定要不要动手。
输出定形：要求按固定表格汇报，后面的工单和日报才有得解析。

下面这条命令用只读沙箱跑一次诊断，适合接在告警脚本里：

bash 复制代码

codex exec --sandbox read-only \
  "机器 k8s-node-3 上 8080 端口的容器最近频繁重启。
   先只做诊断：用 ss、docker ps -a、journalctl 拿证据，
   禁止执行任何重启或删除操作。
   最后按【证据 / 结论 / 置信度】三列输出表格，并给出下一步建议。"

先给证据边界、再给任务、最后限定动作。

两句话的差距有多大，看这组对照：

写法	实际表现
"帮我看看服务挂了"	漫无目的地 grep，甚至顺手重启服务
"只读诊断：容器 X 频繁重启，先收集近 30 分钟 journalctl"	结论落在日志证据上，不碰线上状态

先证据、后结论，先建议、后动作。

三、告警到定位：一条可重复执行的排障链路

把值班手册翻译成智能体听得懂的排障流程：

链路五步 ：告警触发 → 只读采集 → 智能体汇总证据 → 生成处置建议 → 人工确认后执行，危险动作处必过审批闸门。
脚本化触发 ：告警平台 Webhook 或 cron 都去调 alert-triage.sh，谁在值班都跑出同一份报告。
人机分工：智能体负责跑命令和写结论，人只负责拍板要不要修复。

下面这个脚本是告警进来后的第一响应，产出一份可归档的 markdown 报告：

bash 复制代码

#!/usr/bin/env bash
# alert-triage.sh <主机> <端口>：告警触发后由 Webhook 或 cron 调用
set -euo pipefail
HOST="$1"; PORT="$2"; OUT="triage-$(date +%s).md"

codex exec --sandbox read-only --output-last-message "$OUT" \
  "目标 ${HOST}:${PORT} 告警，依次执行只读排查：
   1) ss -lntp | grep ${PORT} 确认端口归属进程
   2) docker stats --no-stream 观察内存与 CPU
   3) journalctl --since '-30min' 抓取报错行
   用表格汇总证据，给出根因假设与下一步建议，不要执行任何修复动作。"

ls -lh "$OUT"

采集只读 → 证据入表 → 建议与动作彻底分离。

四、巡检日报交给智能体：只读操作的安全区

每天固定时间让智能体自己巡一遍机器，人只看结果：

专用账号：建一个只读巡检账号，把常用查看命令加进 sudo 白名单，其余一律拒绝。
报告落盘：让它按固定章节产出 markdown，异常项永远排在最前面。
定时推送：cron 每天早上八点跑一次，结果推到值班群，省掉"今天谁去巡"的争论。

巡检范围要写成清单，而不是一句话"帮我看看"：

巡检项	只读命令	告警阈值
磁盘水位	`df -h /`	使用率 > 85%
内存压力	`free -m`	可用内存 < 10%
失败服务	`systemctl --failed`	条数 > 0
近期报错	`journalctl -p err --since today`	出现 OOM、 Killed 字样

智能体只出报告、不动线上状态，这是它能天天跑的前提。

五、危险动作的护栏：审批、回滚、审计缺一不可

智能体越能干，越要在它动手前后各留一道闸：

事前审批 ：高危命令一律 on-request，需要 root 的动作由人在终端确认后才放行。
备好回滚：要求它执行变更前先输出回滚脚本，并写进同一份报告，不许"先跑起来再说"。
事后审计：每次会话的 jsonl 都落在本地，解析出来就能对账谁执行了什么。

下面这段脚本解析本地会话记录，把智能体执行过的命令统计成审计清单：

python 复制代码

import json, pathlib
# 解析 ~/.codex/sessions 下的会话 jsonl，统计执行过的命令与失败次数
rows = []
for f in pathlib.Path.home().glob(".codex/sessions/**/*.jsonl"):
    for line in f.read_text().splitlines():
        try:
            ev = json.loads(line)
        except json.JSONDecodeError:
            continue
        if ev.get("type") == "command_execution":
            rows.append((f.name, ev.get("command", ""), ev.get("exit_code")))
failed = sum(1 for r in rows if r[2] not in (0, None))
print(f"共 {len(rows)} 条命令，失败 {failed} 条")
for r in rows[:10]:
    print(r[1][:80], "->", r[2])

审批挡在执行前、回滚脚本备在手边、审计留痕可追溯。

六、从演示到资产：把 Codex 检查塞进 CI

能跑通一次不算数，要在流水线里稳定输出才算资产：

退出码约定 ：脚本 set -euo pipefail，检查不通过就非零退出，CI 直接红。
结构固定：固定表格列名与章节顺序，下游工具才敢解析。
失败留证：报告文件作为 artifact 传回，方便复盘而不是重跑。

这条命令可以直接放进 CI 的检查阶段，对运维手册做一致性校验：

bash 复制代码

codex exec --sandbox read-only --output-last-message report.md \
  "检查 /srv/ops/runbook.md：列出所有缺少回滚步骤的变更项，
   只输出 markdown 表格，不要修改任何文件。"
[ -s report.md ] || { echo "报告为空，视为失败"; exit 1; }

检查失败即阻断，报告随 artifact 留存。

常见的卡点可以按这张表排查：

现象	原因	处理
`codex exec` 卡住等输入	命令被审批策略拦下	收紧为只读模式或加白名单
报告格式每次都变	提示词没约束结构	在提示词里写死表格列名
工作目录写不进去	该路径未被信任	在配置 projects 段标为 trusted
会话记录找不到	版本差异导致路径变化	到 `~/.codex` 下确认 sessions 目录

结语

这套链路的价值不在"AI 会敲命令"，而在于把值班动作标准化：权限三档把爆炸半径框住，只读诊断链路让每次告警都产出同一份证据表，审批与审计则让智能体的每一步都可解释、可回滚。落地顺序也很清晰------先在测试机跑通配置与诊断脚本，再接巡检 cron，最后把检查塞进 CI。

运维自动化的终点从来不是无人值守，而是让人只做该人做的决策。

把缰绳先拴好，再让 Codex 去跑夜路。