docktor (Hwclass)

容器的AI原生自动缩放（基于Docker的AI堆栈构建）

使用LLM和MCP监控和扩展Docker Compose服务的自治SRE代理。

](https://docs.docker.com/compose/)   

______________________________________________________________________

🚀 快速开始

先决条件：Docker桌面+模型运行器、cagent、Go 1.21+（参见 安装)

自主守护程序模式（推荐）

对于全自动24/7操作，无需用户干预：

# 1. Clone and build
git clone https://github.com/hwclass/docktor
cd docktor
go build -o docktor ./cmd/docktor

# 2. Start autonomous daemon (auto-scales automatically)
./docktor daemon start

# 3. Generate load to trigger scaling (in another terminal)
# Option A: Incremental load simulator (recommended for demos)
bash examples/single-service/load-incremental.sh

# Option B: Quick test - instant high load (90 seconds)
bash examples/single-service/load-quick.sh

# 4. Monitor daemon in real-time
./docktor daemon logs

# 5. Check status
./docktor daemon status

# 6. Stop daemon when done
./docktor daemon stop

高级选项：

# Custom compose file and service
./docktor daemon start --compose-file ./production.yaml --service api

# Manual mode (requires approval for each action)
./docktor daemon start --manual

互动模式（用于学习）

对于具有聊天界面的交互式探索，需要用户干预：

# 1. Run Docktor (opens cagent TUI)
./docktor ai up

# 2. In the TUI, send a message to start autoscaling:
# Type: "Start autoscaling web service now"

# 3. Generate load (in another terminal)
bash examples/load-cpu.sh

# 4. Watch containers scale
bash examples/watch.sh

模式比较：

• Daemon（推荐）：完全自主，在后台运行，无需用户输入
• 交互式：手动聊天界面，有助于学习如何做出决策

📖 完整的测试指南：参见 AUTOSCALE_GUIDE.md

______________________________________________________________________

📦 Docker镜像（构建并推送到Docker Hub）

构建容器镜像（包括docker+compose CLI，以便Docktor可以扩展主机）：

export IMAGE=scalingdocktor/docktor:latest
docker build -t "$IMAGE" .

推送到Docker Hub：

docker login
docker push "$IMAGE"

从镜像运行Docktor（挂载你的compose文件、配置和Docker套接字）：

docker run --rm \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v $(pwd)/docktor.yaml:/app/docktor.yaml \
  -v $(pwd)/docker-compose.yaml:/app/docker-compose.yaml \
  "$IMAGE" daemon start --config /app/docktor.yaml

对于多拱（如果使用buildx）：

docker buildx build --platform linux/amd64,linux/arm64 -t "$IMAGE" . --push

______________________________________________________________________

⚙️ 配置

Docktor使用 docktor.yaml 用于每个应用程序的缩放配置。这允许在不更改代码的情况下自定义阈值。

配置示例

# docktor.yaml
version: "1"

service: web
compose_file: docker-compose.yaml

scaling:
  cpu_high: 75.0        # Scale up when CPU >= 75%
  cpu_low: 20.0         # Scale down when CPU "
          value: 75.0
      scale_down_when:
        - metric: cpu.avg
          op: ""
          value: 500
        - metric: queue.rate_in
          op: ">"
          value: 200
      scale_down_when:
        # AND logic: scale only if ALL conditions match
        - metric: queue.backlog
          op: " 80%: scale up (+2)
                       If CPU  80%, scale up

Calling apply_scale(service: "web", target_replicas: 4, reason: "CPU high at 89.3%")
→ SUCCESS: scaled web from 2 to 4

示例3：健康范围→ Hold

Calling get_metrics(container_regex: "web", window_sec: 30)
→ {"examples-web-1": 45.2, "examples-web-2": 52.1}

Agent analyzes:
  - Current replicas: 2
  - Average CPU: 48.6%
  - Decision: 20%  80%: scale up (+2 replicas)
      - If avg CPU  Hold off on scaling for 10 minutes, running tests
    > Why did you scale to 4 replicas?
    > Be more aggressive with scaling today

第二阶段：Web界面

• \[ \] 本地Web UI：在本地主机上运行的基于浏览器的聊天界面

- 实时聊天的React/Vue前端 - 实时指标仪表板，显示CPU、副本、决策 - 缩放事件的视觉时间线 - 自然语言命令的聊天面板 - 例子： http://localhost:3000 → Docktor控制面板

• \[ \] 决策评审模式：缩放前的视觉审批工作流程

- 代理人建议：“从2开始→ 5 （CPU为87%）” - 用户点击：\[批准\]\[拒绝\]\[修改\] - 从模式中学习：记住批准/拒绝

第三阶段：情报

• \[ \] 具有历史决策记忆的RAG：从过去的缩放决策中学习

- DuckDB+VSS插件：使用向量嵌入存储所有决策 - 查询类似的过去情况：“上次CPU达到85%时发生了什么？” - 模式识别：“周一早上总是需要6+个复制品” - 上下文感知决策：“上周负载相似，扩展到5运行良好” - 可解释的人工智能：“我之所以扩大规模，是因为3个类似的案例显示了性能问题” - 数据库架构：

    CREATE TABLE decisions (
      timestamp TIMESTAMP,
      metrics JSON,           -- CPU, memory, replicas at decision time
      action VARCHAR,         -- scale_up, scale_down, hold
      from_replicas INT,
      to_replicas INT,
      reason TEXT,
      outcome TEXT,           -- success, rolled_back, user_overridden
      embedding FLOAT[384]    -- Vector for similarity search
    );

- 聊天UI集成：“告诉我你为什么做出这个决定”→ 类似案例的矢量搜索

• \[ \] 从反馈中学习：代理记住用户首选项

- 跟踪用户覆盖的决策 - 根据模式调整未来的行为 - “用户总是喜欢在周五进行保守的缩放”

• \[ \] 自然语言政策：用简明英语定义规则

- “在工作时间（上午9点至下午5点），切勿将比例降至2以下” - “宁愿扩大规模，也不愿降低性能” - “无论负载如何，最多8个副本” - 自动存储和执行策略

集成与可观察性

• \[ \] Docker桌面扩展：带有交互式控件的可视化仪表板
• \[ \] 网页用户界面：基于浏览器的控制面板，具有实时聊天功能
• \[ \] 普罗米修斯出口：监测系统的指标
• \[ \] 警报集成：松弛/不协调通知和命令
• \[ \] Webhook支持：触发外部事件的缩放

______________________________________________________________________

贡献

欢迎投稿！需要帮助的领域：

1. 代理改进：帮助使cagent守护进程模式更加稳定
2. 其他指标：内存、网络、自定义指标
3. 更好的配方：更智能的缩放计算
4. 文档：教程、示例、用例
5. 测试：更多负载场景，边缘情况

______________________________________________________________________

许可证

MIT许可证-请参阅 许可证 文件

_免责声明：Docktor是一个由社区构建的独立开源项目。它不隶属于或认可Docker，股份有限公司。_

______________________________________________________________________

学分

内置：

• -本地LLM推理
• 谨慎 -Docker的AI代理框架
• 主控程序 -模型上下文协议
• Llama 3.2 -Meta的3B参数模型
• -容器编排

______________________________________________________________________

Docktor -因为你的容器值得一位人工智能医生🩺🤖