on-call 被 page 到怀疑人生，做了个 AI 来干脏活，今天开源

之前在 Roblox 做 Infra，on-call 被 page 了无数次。
incident 经常要跨十几个 service 追 root cause，半夜爬起来翻 log 翻到怀疑人生。

今年和朋友一起出来创业，做了 IncidentFox —— 开源的 AI SRE，让 AI 解决 on-call 时候的脏活累活。

收到 alert 之后，自动去翻 runbook、查最近的 code change 和 deploy、拉 logs/metrics/traces。
correlate 完了告诉你 root cause & evidence & mitigation建议。
mitigation显示commands it will execute (fix PRs, restart pods, etc.)，可以human approve之后自动执行。
交互上，一切操作都在Slack里完成，可以send screenshot/ upload file，不用切tab。

市面上这类工具不少，我自己用下来的感觉是不够准确，主要缺context。
每个公司有自己的 CI/CD、内部工具、奇奇怪怪的 deployment 流程，通用 AI 完全没这些 context，给的建议基本是废话。
IncidentFox 的思路是 setup 的时候直接分析codebase、Slack 历史、过往 incidents，学公司实际怎么 debug 的，然后自动生成针对公司系统的 integration。
这样做的好处是把公司的domain knowledge自动注入到AI里，提高准确性，同时不用手动配一堆东西。

. .и今天开源了!
可以self-host: https://github.com/incidentfox/incidentfox

也可以在Slack里直接试，接上我们的playground telemetry了(Grafana, Prometheus, etc.)
https://www.incidentfox.ai/

欢迎大家试用!

bethel_park 发表于 2026-2-4 18:28
我觉得主要问题是没有人维护wiki和run book， 要不然再好的工具也没用

对的，garbage in garbage out
现在解决这个问题，在做的方向是continuous learning，
相当于每经历一个新的incident，自动学习pattern来update wiki & runbook
commit由人工review & approve

我觉得主要问题是没有人维护wiki和run book， 要不然再好的工具也没用

Alyssssa 发表于 2026-2-6 15:35
how is your project compared to other open source project, like https://github.com/HolmesGPT/holmesg ...

他们很多feature锁付费了，我们全开源。他们没有的东西主要是：自动从过去的incident里学习、自动识别和集成内部工具（比如我们之前公司EaaS其实是CockroachDB wrapper，QaaS是Kafka wrapper，这种它都能自己学会）、还有告警自动归类降噪。基本上接进来不用怎么配就能用。

支持一下CT的学长，太强了。

SoyTuPapa 发表于 2026-2-4 12:21
支持一下CT的学长，太强了。

太感谢啦！欢迎试用看看！！

太强了 已star
顺便请问一下roblox家整体culture怎样，最近在准备他家的面试

感觉和claude skill的概念很像？

simonsayshi 发表于 2026-2-4 13:15
太强了 已star
顺便请问一下roblox家整体culture怎样，最近在准备他家的面试

非常感谢！欢迎试用看看，希望对oncall能实际有帮助
我自己觉得roblox整体culture还是挺好的
虽然因人而异
如果之后要选组可以再问我

MingYi 发表于 2026-2-4 15:17
感觉和claude skill的概念很像？

对的，其实就是给agent各种context
比如说让他可以query logs, query metrics
实际上implement可以是skills/ MCP tools都行

技术难点主要是logs & metrics量太大，直接塞进LLM会炸context window
需要一些engineering tricks来mitigate这些

这个不错，有机会试试