跳转至
编辑此页 查看本页的源代码

自适应的日志解析系统（实验 5-7）

《深入理解 AI Agent》第 5 章「代码作为系统适配器」配套实验：一个能自我进化的 Agent 日志解析系统。系统初始只支持基础日志格式；遇到无法解析的新格式时，不是报错， 而是自动把失败样本 + 报错交给 Agent，让它生成能正确解析的代码，自动测试通过后热更新 注册进解析系统。全流程自动化，无需人工介入。

自愈闭环

  一行日志
     │
     ▼
 [解析引擎] 依次尝试已注册的解析器
     │
     ├── 有解析器认识 → 输出结构化字段 ✅
     │
     └── 全部失败（检测到新格式）❌
             │  失败样本 + 报错
             ▼
        [代码生成 Agent]  ← OpenAI(gpt-5.6-luna)
             │  生成 def parse(line)->dict|None
             ▼
        [自动测试]  数据结构断言（tester.py）
             │
             ├── 不通过 → 把失败报告反馈给 Agent 重试（最多 3 次）
             │
             └── 通过 → [热加载注册] + 持久化到 parsers/*.py
                          │
                          ▼
                   系统现在能正确解析该新格式 ✅（下次重启直接复用，不再问 Agent）

对应代码： - engine.py：解析引擎 + 解析器注册表 + 热加载（importlib）。内置 builtin_json_parser。 - agent.py：代码生成 Agent，调用 OpenAI 生成解析函数，支持带失败反馈迭代修复。 - tester.py：自动测试，对生成的 parse 函数做数据结构断言。 - demo.py：串起整条闭环并逐步打印。 - parsers/：Agent 学会的解析器持久化到这里，供下次直接复用。

演示的三种递进格式

  1. 基础 JSON 行（系统原生支持）：{"timestamp": "...", "level": "INFO", "message": "..."}
  2. 新格式 A —— 自定义竖线分隔：2026-07-17T10:23:01Z|INFO|agent.planner|step=3|Generated plan...
  3. 新格式 B —— 嵌套括号：[2026-07-17 10:24:55] (ERROR) <tool=web_search> {latency_ms=812 status=timeout} :: ...

格式 A、B 初次解析都会失败，触发 Agent 生成解析器 → 自动测试通过 → 热更新后能正确解析。

运行

pip install -r requirements.txt
cp env.example .env      # 填入 OPENAI_API_KEY（默认模型 gpt-5.6-luna）；未配置时设 OPENROUTER_API_KEY 自动改走 OpenRouter

python demo.py                       # 完整演示（两种新格式，两次真实 Agent 调用，需 API Key）
python demo.py --offline             # 离线演示：用预置解析器跑完整机制，无需 API Key
python demo.py --quick               # 快速模式：只演示 1 种新格式，省一次 API 调用
python demo.py --log-file logs.txt   # 步骤 3 改用外部日志文件（每行一条）验证复用
python demo.py --output out.jsonl    # 把解析出的结构化结果写成 JSONL
python demo.py --help                # 查看全部参数

命令行参数：

参数 说明
--offline 用预置（canned）解析器代码代替调用 OpenAI，无需 API Key，确定性地演示整条机制（失败检测→生成→测试→热重载→持久化）。
--quick 只演示 1 种新格式（竖线分隔），跳过嵌套括号格式，省一次 Agent/API 调用。
--model MODEL 覆盖代码生成模型；默认读 MODEL 环境变量再回落 gpt-5.6-luna。--offline 下仅作展示。
--log-file PATH 外部日志文件（每行一条）。给定后步骤 3 改用学到的解析系统解析该文件，替代内置混合样本，验证解析器可复用到真实日志流。
--output PATH 把步骤 3 解析出的结构化结果以 JSONL（每行一条 JSON）写入该文件。

demo.py 默认真实调用 OpenAI，依次演示：(a) 新格式初次解析失败被检测到； (b) Agent 生成解析代码并通过自动测试；(c) 热更新后系统正确解析该新格式并打印结构化结果； 最后新建一个引擎，直接从 parsers/ 加载已学会的解析器，验证持久化复用（不再调用 Agent）。

没有 API Key 时用 --offline：离线模式换用 agent.py 里的 OfflineCodeGenAgent，它按必需字段 查表返回预写好的解析器源码（并非真让 LLM 现写），但失败检测→自动测试→热加载注册→持久化这些 运行时机制与在线模式完全一致，可完整跑通并验证闭环。

预期输出示例（真实运行片段）

以下摘自一次真实运行（python demo.py，模型 gpt-5.6-luna）：

步骤 1：遇到新格式 A —— 自定义竖线分隔格式
(a) 先让系统解析，预期【失败】：
  ❌ 解析失败：2026-07-17T10:23:01Z|INFO|agent.planner|step=3|Generated plan with 5 actions
触发自愈闭环：
  🔎 检测到无法解析的新格式，触发自愈。报错：没有任何已注册解析器能解析该行：...
  --- 第 1/3 次：Agent 生成解析代码 ---
    | import re
    | _PATTERN = re.compile(
    |     r"^\s*"
    |     r"(?P<timestamp>\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}Z)"
    |     r"\s*\|\s*(?P<level>[A-Za-z]+)\s*\|\s*(?P<module>[^|]+?)"
    |     r"\s*\|\s*step\s*=\s*(?P<step>\d+)\s*\|\s*(?P<message>\S(?:.*\S)?)\s*$"
    | )
    | def parse(line: str) -> dict | None:
    |     match = _PATTERN.match(line)
    |     if not match:
    |         return None
    |     fields = match.groupdict()
    |     fields["module"] = fields["module"].strip()
    |     fields["message"] = fields["message"].strip()
    |     fields["step"] = int(fields["step"])
    |     return fields
  🧪 自动测试（数据结构断言）：
    [样本1] 通过，解析出字段：['level', 'message', 'module', 'step', 'timestamp']
  ✅ 自动测试通过，已热更新注册解析器 'pipe_parser' 并持久化到 parsers/pipe_parser.py
(c) 热更新后重新解析同样的日志，预期【成功】：
  ✅ [pipe_parser] {'_parser': 'pipe_parser', 'timestamp': '2026-07-17T10:23:01Z',
     'level': 'INFO', 'module': 'agent.planner', 'step': 3, 'message': 'Generated plan with 5 actions'}
...
演示结束
新格式 A（竖线分隔）自愈结果：成功
新格式 B（嵌套括号）自愈结果：成功
持久化复用（混合格式全部解析）：成功

LLM 生成的代码每次可能略有不同（如变量名、正则写法），但只要通过自动测试即视为成功。 若用 python demo.py --offline，预置解析器让输出确定性复现上述闭环（无需 API Key）。

如何适配 / 扩展

  • 换模型 / 供应商：本项目统一走 OpenAI 兼容协议，改环境变量即可，无需改代码。
  • MODEL：换模型，例如 MODEL=gpt-5.6；也可在命令行用 python demo.py --model gpt-5.6 临时覆盖。
  • OPENAI_BASE_URL：换成任意 OpenAI 兼容端点（如自建网关、Moonshot/火山方舟等）， 再把 OPENAI_API_KEY 换成对应服务的 key、MODEL 换成该服务的模型名即可。
  • 三者的读取逻辑集中在 agent.py 的 CodeGenAgent.__init__。
  • 换输入日志格式：在 demo.py 里按现有 PIPE_LOGS / BRACKET_LOGS 的写法，加一组 你自己的样本（XXX_LOGS）和必需字段列表（XXX_REQUIRED），再调一次 self_heal(engine, agent, "your_parser", XXX_LOGS, XXX_REQUIRED) 即可让系统自学。 required_keys 决定自动测试的验收标准（哪些字段必须被解析出且非空）。
  • 接入真实日志流：把 engine.parse_line(line) 接到你的日志读取循环上；捕获 ParseError 即触发自愈闭环。已学会的解析器持久化在 parsers/*.py，重启后由 engine.load_persisted() 自动加载复用。

局限与说明

  • 可视化验证降级：书中原方案是把生成的可视化代码放进虚拟浏览器渲染，再用 Vision LLM 检查渲染效果。本机没有 playwright/浏览器环境，因此把这一步降级为对 生成的解析函数做数据结构断言（用样本数据断言解析出的结构化字段正确）。核心闭环 （检测失败 → 生成解析代码 → 自动测试 → 热加载注册新解析器 → 持久化复用）是真实实现的。
  • 安全性：Agent 生成的代码通过 importlib 直接执行，仅适用于可信实验环境；生产中应 加沙箱、AST 白名单、资源限制等隔离手段。系统提示已约束只用标准库、无副作用。
  • 确定性：LLM 生成代码存在不确定性，故设置了「测试不通过→带反馈重试」的迭代修复 （最多 3 次）；仍可能失败，属正常现象，重跑即可。