chore: initial import

specs/功能清单.md

@@ -0,0 +1,286 @@
+# AI-Ops 功能清单（模块级）
+
+> 版本：v1.1
+> 日期：2026-05-11
+> 说明：模块级功能清单，仅到达"功能级"精度。具体的按钮、动画、色彩、字体等前端实现细节由 Engineer 和前端工程师在开发阶段自行决定，不在 PM 规划范围内。
+>
+> **PM 范围：**模块定义、功能边界、数据模型、接口契约、验收标准。
+> **Engineer 范围：**代码实现、前端组件选型、动画/交互细节、测试用例实现。
+>
+> **总工期估算**：34 人天（含 20% 协调缓冲） + 15% 风险缓冲 = **39 人天**。
+> 估算方法：简单任务 0.5d / 中等任务 1d / 复杂任务 2d，模块级汇总后加缓冲。
+
+---
+
+## Phase 1：监控看板 + 日志查询（不触发自动动作）
+
+> **工期估算**：8 人天（含 20% 协调缓冲）
+
+### 模块 1.1：监控首页
+
+#### 1.1.1 首页基础布局
+- [ ] **任务**：实现首页路由 `/ops/dashboard`，返回监控首页 HTML 模板
+
+#### 1.1.2 指标数据获取
+- [ ] **任务**：实现 `GET /api/v1/ai-ops/metrics/realtime` 接口，返回当前 QPS、平均延迟、P99、错误率
+- [ ] **任务**：实现 `GET /api/v1/ai-ops/metrics/suppliers/count` 接口，返回活跃供应商数量
+- [ ] **任务**：实现 `GET /api/v1/ai-ops/alerts/open/count` 接口，返回未关闭告警数量
+
+#### 1.1.3 指标下钻
+- [ ] **任务**：实现 `GET /api/v1/ai-ops/metrics/query` 接口，支持 service/path/supplier 维度过滤
+
+### 模块 1.2：日志查询
+
+#### 1.2.1 日志查询页
+- [ ] **任务**：实现日志查询页路由 `/ops/dashboard/logs`
+
+#### 1.2.2 日志结果展示
+- [ ] **任务**：日志列表以表格展示，每行显示：时间 / 服务名 / 路径 / 状态码 / 延迟 / 用户ID / 供应商ID
+- [ ] **任务**：日志列表支持分页，每页 100 条，显示总条数
+- [ ] **任务**：实现日志查询结果"导出 CSV"按钮，导出上限 10000 条
+
+#### 1.2.3 日志查询性能
+- [ ] **任务**：日志查询接口添加查询超时逻辑，超时返回部分结果并提示
+- [ ] **任务**：实现日志查询结果缓存（Redis，5分钟 TTL），同一筛选条件命中缓存时直接返回
+
+---
+
+## Phase 2：告警规则引擎 + 通知渠道（告警只通知，不执行自愈）
+
+> **工期估算**：12 人天（含 20% 协调缓冲）
+
+### 模块 2.1：告警规则管理
+
+#### 2.1.1 告警规则列表页
+- [ ] **任务**：实现告警规则列表页路由 `/ops/dashboard/alerts/rules`
+- [ ] **任务**：规则列表支持分页，每页 50 条
+
+#### 2.1.2 创建/编辑告警规则
+- [ ] **任务**：实现规则创建页路由 `/ops/dashboard/alerts/rules/create`
+- [ ] **任务**：实现规则创建表单，包含字段：规则名称（必填）、监控指标（下拉：QPS/延迟/错误率/供应商健康度/Token消耗）、阈值类型（下拉：> / < / = / 正则匹配）、阈值数值（必填）、持续时间（分钟，必填）、告警级别（下拉：P0/P1/P2/P3，必填）、通知渠道（多选：Webhook/邮件/飞书/企微）
+- [ ] **任务**：编辑页路由 `/ops/dashboard/alerts/rules/{rule_id}/edit`，回填已有数据
+
+#### 2.1.3 告警规则引擎（后端）
+- [ ] **任务**：实现规则引擎从 PostgreSQL 加载所有启用规则，每 30 秒刷新
+- [ ] **任务**：实现规则引擎对每个指标数据点执行阈值评估
+- [ ] **任务**：实现持续时间判定（指标超阈值必须持续 N 分钟才触发）
+- [ ] **任务**：实现告警事件生成，写入 `ai_ops_alert_events` 表，状态 = triggered
+- [ ] **任务**：实现同一规则同一目标 5 分钟抑制期逻辑（5 分钟内相同告警不重复生成）
+- [ ] **任务**：实现告警升级逻辑（P2 持续 2 小时未确认 → 升级 P1）
+
+### 模块 2.2：告警事件与处置
+
+#### 2.2.1 告警事件列表
+- [ ] **任务**：实现告警事件列表页路由 `/ops/dashboard/alerts/events`
+- [ ] **任务**：事件列表每行显示：事件ID / 规则名称 / 级别 / 触发时间 / 持续时长 / 状态 / 操作
+
+#### 2.2.2 告警集群聚合
+- [ ] **任务**：实现告警聚合逻辑：同一服务/资源 1 分钟内触发 >20 条告警时，生成 1 条集群告警
+- [ ] **任务**：集群告警列表每行显示：集群ID / 涉及规则数 / 累计告警数 / 首条时间 / 最新时间 / 级别
+
+### 模块 2.3：通知渠道配置
+
+#### 2.3.1 通知配置页
+- [ ] **任务**：实现通知配置页路由 `/ops/dashboard/alerts/channels`
+
+#### 2.3.2 通知发送后端
+- [ ] **任务**：实现通知发送队列（内存队列 + Redis 持久化）
+- [ ] **任务**：实现 P0/P1 通知 30 秒内发送，P2 通知 120 秒内发送
+- [ ] **任务**：实现通知失败时自动切换备用渠道（Webhook 失败 → 邮件 → 飞书 → 企微）
+- [ ] **任务**：实现通知日志记录，每次发送记录成功/失败原因到 `ai_ops_notification_logs`
+
+---
+
+## Phase 3：自愈引擎 + 审计回滚
+
+> **工期估算**：14 人天（含 20% 协调缓冲）
+
+### 模块 3.1：自愈规则配置
+
+#### 3.1.1 自愈规则创建
+- [ ] **任务**：在告警规则创建/编辑页，添加"自愈动作"可选配置区块
+- [ ] **任务**：自愈动作类型下拉：无 / 切换备用路由 / 限流 / 重启实例 / 触发脚本
+- [ ] **任务**：当选择"切换备用路由"时，显示供应商下拉框（选择目标备用供应商）
+- [ ] **任务**：配置"沙盒模式"开关，默认开启（沙盒模式下自愈动作仅记录，不实际执行）
+- [ ] **任务**："保存"按钮同时保存告警规则和自愈动作配置
+
+#### 3.1.2 自愈执行后端
+- [ ] **任务**：自愈引擎监听 triggered 状态的告警事件
+- [ ] **任务**：当告警关联自愈动作且沙盒模式关闭时，执行自愈动作
+- [ ] **任务**：执行切换备用路由：调用 gateway 管理接口，将流量切换到备用供应商
+- [ ] **任务**：执行限流：调用 gateway 管理接口，设置速率限制
+- [ ] **任务**：执行重启实例：通过 K8s API 或主机 agent 调用重启指定服务实例，配置超时 60 秒、最大重试 2 次
+- [ ] **任务**：执行触发脚本：在隔离环境中执行指定的 shell/Python 脚本，超时 30 秒
+- [ ] **任务**：自愈动作执行后 60 秒内评估监控指标是否恢复正常
+- [ ] **任务**：自愈成功：事件状态更新为 resolved，记录动作结果
+- [ ] **任务**：自愈失败（重试 1 次仍失败）：升级为 P0 人工告警（电话/短信），事件状态更新为 escalated
+
+#### 3.1.3 自愈级联失败处理
+- [ ] **任务**：切换备用路由后，监控新路由健康状态 2 分钟
+- [ ] **任务**：若新路由也触发告警，立即回退到原始路由
+- [ ] **任务**：回退完成后，升级为 P0 人工告警（电话/短信），注明"自愈级联失败"
+
+### 模块 3.2：配置审计
+
+#### 3.2.1 审计日志查询页
+- [ ] **任务**：实现审计日志页路由 `/ops/dashboard/audit`
+- [ ] **任务**：审计列表每行显示：审计ID / 操作时间 / 操作人 / 操作类型 / 资源类型 / 资源ID / 操作后值摘要
+- [ ] **任务**：审计列表支持导出（最多 10000 条，按时间范围导出）
+
+#### 3.2.2 审计后端
+- [ ] **任务**：拦截所有配置变更操作（CREATE/UPDATE/DELETE），在事务内同步写入审计日志
+- [ ] **任务**：审计日志写入使用追加模式（不支持 UPDATE/DELETE），数据库层设置禁止删除策略
+- [ ] **任务**：审计日志保留期 >= 90 天，后台 job 每天清理过期数据
+
+### 模块 3.3：配置回滚
+
+#### 3.3.1 回滚操作入口
+- [ ] **任务**：回滚成功提示："回滚成功，已恢复到 {时间} 的状态，耗时 X 秒"
+- [ ] **任务**：回滚失败时显示错误码和原因（如 OPS_AUD_4101）
+
+#### 3.3.2 回滚后端
+- [ ] **任务**：实现回滚接口，根据审计记录 ID 查找操作前值
+- [ ] **任务**：回滚前检查目标资源是否仍存在，不存在时返回错误码 `AUDIT_ROLLBACK_TARGET_LOST`
+- [ ] **任务**：回滚操作在独立事务中执行，更新目标资源值
+- [ ] **任务**：回滚成功后生成新审计记录，关联原始审计记录 ID（字段 `rolled_back_from_audit_id`）
+
+---
+
+## Phase 4：容量主板与高级分析
+
+### 模块 4.1：容量视图
+
+#### 4.1.1 容量主页
+- [ ] **任务**：实现容量主页路由 `/ops/dashboard/capacity`
+
+#### 4.1.2 容量数据后端
+- [ ] **任务**：实现容量数据聚合 job（每小时执行），将原始指标聚合为小时级数据
+- [ ] **任务**：实现增长率计算算法（基于过去 7 天数据线性回归）
+- [ ] **任务**：实现负载等级判定（可配置阈值，默认为：正常 < 60% 利用率 < 警告 < 80% < 过载）
+
+---
+
+## 全局模块
+
+### 模块 G1：认证与权限
+
+- [ ] **任务**：实现登录页路由 `/ops/login`，支持账号密码登录
+- [ ] **任务**：实现 JWT Token 签发，Token 有效期 8 小时
+- [ ] **任务**：实现中间件，所有 `/api/v1/ai-ops/*` 接口需携带有效 JWT
+- [ ] **任务**：实现角色权限中间件：查看者（GET only）、运维人员（可写告警规则）、管理员（可回滚、可管理用户）
+- [ ] **任务**：实现权限不足时返回 HTTP 403，响应体包含错误码 `OPS_AUTH_1001`
+
+### 模块 G2：健康检查
+
+- [ ] **任务**：实现 `GET /actuator/health` 接口，返回整体健康状态
+- [ ] **任务**：实现 `GET /actuator/health/live` 接口，用于 K8s liveness probe
+- [ ] **任务**：实现 `GET /actuator/health/ready` 接口，用于 K8s readiness probe（依赖 DB + Redis 连通性）
+
+### 模块 G3：OpenAPI 文档
+
+- [ ] **任务**：实现 OpenAPI 3.0 JSON spec 生成，端点 `/openapi.json`
+- [ ] **任务**：确保所有对外 API（路由/请求/响应/错误码）均在 spec 中体现
+
+---
+
+## 技术基础设施（各 Phase 共享）
+
+### T1：项目骨架
+- [ ] **任务**：初始化 Go module `github.com/lijiaoliao/ai-ops`
+- [ ] **任务**：创建 `cmd/ai-ops/main.go` 入口，支持 `api` 和 `worker` 两种运行模式
+- [ ] **任务**：创建 `internal/` 目录结构（domain/service/handler/infrastructure/repository）
+- [ ] **任务**：配置 Viper 读取 `config.yaml`，支持环境变量覆盖
+- [ ] **任务**：配置 `log/slog` 结构化日志，输出 JSON 格式
+- [ ] **任务**：创建 PostgreSQL schema migration（使用 golang-migrate），表前缀 `ai_ops_`
+- [ ] **任务**：创建 Redis 连接池配置
+- [ ] **任务**：配置 Dockerfile 和 docker-compose.yml
+- [ ] **任务**：编写 `DEPLOYMENT.md` 中的 docker-compose 启动命令
+
+### T2：单元测试骨架
+- [ ] **任务**：为每个 domain 层函数编写单元测试，覆盖率 >= 70%
+- [ ] **任务**：为每个 service 层函数编写单元测试，覆盖率 >= 80%
+- [ ] **任务**：配置 CI（GitHub Actions），PR 必须通过全部测试和覆盖率检查
+
+### T3：IntegrationPlugin 接口
+- [ ] **任务**：实现 `IntegrationPlugin` 接口（`Init() error` / `Serve() error` / `Shutdown() error`）
+- [ ] **任务**：实现插件模式下各模块的开关配置（`viper` 读取 `ops.enabled_modules`）
+- [ ] **任务**：编写集成测试：插件模式启动，所有功能正常运作
+
+---
+
+## 任务估算汇总
+
+| Phase | 模块 | 任务数 | 估计工时 |
+|-------|------|--------|---------|
+| Phase 1 | 1.1 首页 + 1.2 日志查询 | 28 | 3 人天 |
+| Phase 2 | 2.1 告警规则 + 2.2 事件处置 + 2.3 通知渠道 | 30 | 4 人天 |
+| Phase 3 | 3.1 自愈引擎 + 3.2 审计 + 3.3 回滚 + 3.4 供应商切换 | 26+16=42 | 4 人天 + 2 人天 |
+| Phase 4 | 4.1 容量视图 | 10 | 1.5 人天 |
+| 全局 | G1 认证 + G2 健康 + G3 文档 | 14 | 1.5 人天 |
+| 技术基础设施 | T1 骨架 + T2 测试 + T3 插件 | 14 | 2 人天 |
+| **合计** | | **122+16=138** | **~16+2=18 人天** |
+
+---
+
+### 模块 3.4：供应商智能切换（参考 FreeRide 思路）
+
+> FreeRide 是 OpenClaw 的自动模型切换插件，核心思路：实时排行 → 自动选择 → Fallback 链 → 限速无感知切换。对应到 AI-Ops 的供应商切换场景，可以把这个思路产品化。
+
+#### 3.4.1 供应商质量监控
+
+- [ ] **任务**：定时任务（每 5 分钟）调用各中转供应商的 `/models` 接口，记录可用模型列表
+- [ ] **任务**：对每个供应商执行探测请求（测试请求），记录响应时间和错误率
+- <a name="343-health-probe"></a>**任务**：探测结果写入 `supplier_health` 表，记录字段：supplier_id、probe_at、latency_ms、error_rate、available_models、elo_score
+- [ ] **任务**：`GET /api/v1/ai-ops/suppliers/health` 接口返回所有供应商的实时健康状态
+- [ ] **任务**：`GET /api/v1/ai-ops/suppliers/health/{supplier_id}` 接口返回指定供应商的详细健康状态
+- [ ] **任务**：在供应商管理页显示健康状态标签（健康 / 延迟高 / 错误率高 / 不可用）
+- [ ] **任务**：健康状态数据保留 7 天，支持趋势查看
+
+#### 3.4.2 供应商 Fallback 链管理
+
+- [ ] **任务**：为每个接入的模型配置主供应商 + 备用供应商列表（至少 1 主 + 1 备）
+- [ ] **任务**：供应商配置数据结构：
+  ```go
+  type SupplierChain struct {
+      Model         string   // 模型名
+      Primary       string   // 主供应商ID
+      Fallbacks     []string // 备用供应商ID列表（按优先级排序）
+      CooldownSec   int      // 故障后多少秒内不切换回来（默认300s）
+  }
+  ```
+- [ ] **任务**：配置页支持拖拽排序 Fallback 顺序
+- [ ] **任务**：切换后的冷却期内，即使主供应商恢复也不同质（避免震荡）
+- [ ] **任务**：切换记录写入审计日志，包含：切换时间、原供应商、目标供应商、切换原因
+
+#### 3.4.3 智能切换策略
+
+- [ ] **任务**：切换策略下拉：成本优先 / 质量优先 / 延迟优先 / 手动
+- [ ] **任务**：**成本优先**：按 `input_cost_per_token + output_cost_per_token` 排序，选择最低者
+- [ ] **任务**：**质量优先**：按最近 24h 成功率排序，选择最高者
+- [ ] **任务**：**延迟优先**：按最近 probe 的 `latency_ms` 排序，选择最低者
+- [ ] **任务**：**手动**：每次切换需人工确认
+- [ ] **任务**：当主供应商触发告警（P1/P2），自动检查 Fallback 链是否可用
+- [ ] **任务**：选择最佳备用供应商后，自动执行切换（若策略不是"手动"）
+- [ ] **任务**：切换完成后发送通知（飞书/企微/钉钉），告知：原供应商、目标供应商、切换原因
+
+#### 3.4.4 供应商切换执行
+
+- [ ] **任务**：`POST /api/v1/ai-ops/suppliers/switch` 接口：传入 model + target_supplier，执行切换
+- [ ] **任务**：调用 gateway 的 `/internal/suppliers/switch` 接口完成实际路由切换
+- [ ] **任务**：切换后立即执行一次探针验证，确认新供应商可服务工作
+- [ ] **任务**：验证失败时，回退到上一个供应商，并记录切换失败原因
+- [ ] **任务**：供应商切换作为自愈动作之一，可关联告警规则（Phase 3.1 已覆盖）
+
+#### 3.4.5 供应商健康看板
+
+- [ ] **任务**：路由 `/ops/dashboard/suppliers` 显示供应商健康一览
+- [ ] **任务**：卡片展示：今日切换次数 / 当前不可用供应商数 / 各供应商平均延迟 / 各供应商错误率
+- [ ] **任务**：表格展示所有供应商：名称 / 健康状态 / 最后探针时间 / 平均延迟 / 24h 成功率 / 可用模型数
+- [ ] **任务**：支持按健康状态筛选（全部 / 健康 / 延迟高 / 不可用）
+
+#### 3.4.6 参考 FreeRide 的非破坏性配置更新
+
+- [ ] **任务**：供应商配置更新采用原子替换策略：写临时文件 → 验证 → 原子替换
+- [ ] **任务**：防止配置损坏导致系统不可用
+- [ ] **任务**：配置更新前先在内存中验证 JSON Schema，不合法则拒绝更新
+

specs/竞品分析.md

@@ -0,0 +1,132 @@
+# AI-Ops 竞品深度分析
+
+> 版本：v1.0
+> 日期：2026-04-27
+> 内容：14 个竞品全景矩阵、功能逐项对比、技术分析、市场定位
+
+---
+
+## 一、市场概览
+
+- 全球 ITOM 市场：2025 年约 **$420 亿**，AIOps 细分增速 25-30% CAGR
+- 国内 AIOps 市场：约 **¥80-100 亿**
+- 43% 的 SRE 团队在采纳监控工具后运营 toil 不降反升（Gartner 2025）
+- AI 告警噪声降低幅度：60-80%；MTTR 缩短：50-70%
+
+---
+
+## 二、竞品全景矩阵（14 个）
+
+| 竞品 | 类型 | LLM Gateway 特有监控 | 供应商健康检测 | 自愈能力 | 定价 | 核心劣势 |
+|------|------|---------------------|--------------|---------|------|---------|
+| **Datadog** | SaaS/企业 | ⚠️ LLM Observability（2024 新增） | ❌ | ❌ | $15+/host/月 | 价格高，对 LLM 特有故障无专项 |
+| **New Relic** | SaaS/企业 | ⚠️ LLM 监控（新增） | ❌ | ❌ | $0.14-0.25/GiB | 非 LLM 原生，故障定位慢 |
+| **PagerDuty AIOps** | SaaS | ❌ | ❌ | ⚠️ Runbook 触发 | $15-25/user/月 | 只管 On-call，监控能力弱 |
+| **incident.io** | SaaS | ❌ | ❌ | ⚠️ AI 根因分析 | $20-35/user/月 | 无监控，只做事件响应 |
+| **Dynatrace Davis AI** | 企业 | ⚠️ AI 监控 | ❌ | ⚠️ 有限 | 面议 | 重量级，LLM 场景不深 |
+| **BigPanda** | SaaS | ❌ | ❌ | ⚠️ 自动化工作流 | 面议 | 企业级，配置复杂 |
+| **Splunk AI** | 企业 | ❌ | ❌ | ❌ | 面议 | 价格极高，非实时 |
+| **Grafana + Alerting** | 开源 | ❌ | ❌ | ❌ | 免费 | 规则维护成本高，无自愈 |
+| **阿里云 ARMS** | 云厂商 | ⚠️ 国内模型 | ❌ | ⚠️ 限国内云 | ¥0.5-2/调用量 | 非阿里云环境弱 |
+| **Opsgenie** | SaaS | ❌ | ❌ | ❌ | $10-20/user/月 | 告警管理，无监控 |
+| **xMatters** | SaaS | ❌ | ❌ | ✅ 完整 | 面议 | 企业级，K8s 自愈强 |
+| **Coralogix LLM Observability** | SaaS | ✅ LLM 专项 | ❌ | ❌ | 面议 | 只做可观测性，无自愈 |
+| **Robusta** | 开源 | ❌ | ❌ | ✅ K8s 自愈 | 免费 | 只管 K8s，不懂 LLM |
+| **OneAlert** | SaaS | ❌ | ❌ | ⚠️ 告警聚合 | 免费 | 基础告警，无深度 |
+| **立连桥 ai-ops** | 内部工具 | ✅ 深度集成 | ✅ 分钟级探针 | ✅ 供应商自愈 | 内部成本 | 需从 0 构建 |
+
+---
+
+## 三、功能逐项对比（19 项）
+
+```
+功能项                          Datadog  NewRelic  PagerDuty  incident.io  xMatters  Grafana  ARMS  ai-ops
+LLM Gateway 垂直监控              ⚠️       ⚠️        ❌         ❌           ❌        ❌      ⚠️    ✅
+供应商密钥失效检测                ❌       ❌        ❌         ❌           ❌        ❌      ❌    ✅
+额度耗尽预警                      ❌       ❌        ❌         ❌           ❌        ❌      ❌    ✅
+供应商故障自动切换               ❌       ❌        ⚠️         ❌           ✅        ❌      ⚠️    ✅
+配置变更审计+回滚                ⚠️       ⚠️        ❌         ❌           ❌        ⚠️      ⚠️    ✅
+Token 消耗趋势                   ⚠️       ⚠️        ❌         ❌           ❌        ⚠️      ⚠️    ✅
+容量视图（QPS/延迟/利用率）       ✅       ✅        ❌         ❌           ❌        ⚠️      ✅    ✅
+告警聚合+抑制                    ✅       ✅        ✅         ✅           ✅        ⚠️      ✅    ✅
+多渠道告警通知                   ✅       ✅        ✅         ✅           ✅        ⚠️      ✅    ✅
+MTTR 追踪                        ✅       ✅        ✅         ✅           ⚠️        ❌      ✅    ✅
+OpenTelemetry 兼容               ✅       ✅        ⚠️         ✅           ⚠️        ✅      ❌    ✅
+自愈引擎                         ❌       ❌        ⚠️ Runbook  ❌           ✅        ❌      ⚠️    ✅
+独立部署模式                     ❌       ❌        ❌         ❌           ❌        ✅      ❌    ✅
+集成部署模式（Go module）        ❌       ❌        ❌         ❌           ❌        ❌      ❌    ✅
+Go 标准库实现                    ❌       ❌        ❌         ❌           ❌        ⚠️      ❌    ✅
+Webhook/脚本化自愈               ❌       ❌        ✅         ❌           ✅        ❌      ❌    ✅
+RBAC 权限控制                    ✅       ✅        ✅         ✅           ✅        ⚠️      ✅    ✅
+Prometheus 格式指标暴露          ✅       ✅        ⚠️         ⚠️           ⚠️        ✅      ⚠️    ✅
+LLM 特有错误码映射               ❌       ❌        ❌         ❌           ❌        ❌      ❌    ✅
+```
+
+---
+
+## 四、关键技术差异
+
+### 4.1 告警引擎对比
+
+| 方案 | 代表竞品 | 自愈能力 | LLM Gateway 适配 |
+|------|---------|---------|----------------|
+| 通用 SaaS | Datadog/New Relic | ❌ 无自愈 | ❌ 只做指标监控 |
+| On-call 平台 | PagerDuty/incident.io | ⚠️ Runbook 触发 | ❌ 无供应商概念 |
+| 自动化 Remediation | xMatters/Robusta | ✅ 完整 | ⚠️ 基于 K8s/基础设施 |
+| **ai-ops** | 立连桥 | ✅ 供应商专项自愈 | ✅ 深度集成 |
+
+### 4.2 数据后端对比
+
+| 竞品 | 监控后端 | 部署方式 | LLM 场景适配 |
+|------|---------|---------|------------|
+| Datadog | 专有 | SaaS | ⚠️ 需额外配置 |
+| Grafana | Prometheus | 开源 | ⚠️ 需配置 |
+| 阿里云 ARMS | 专有 | 云 | ⚠️ 只限阿里云 |
+| **ai-ops** | VictoriaMetrics | 自部署 | ✅ 原生 |
+
+---
+
+## 五、市场定位结论
+
+### 5.1 竞品空白
+
+**没有任何竞品同时提供：**
+1. LLM Gateway 特有指标监控（供应商健康/Token 消耗/错误码映射）
+2. 供应商密钥失效的分钟级自动检测
+3. 基于供应商状态的自动切换/限流/自愈
+4. 面向 LLM 运营场景的容量视图
+
+### 5.2 ai-ops 差异化定位
+
+```
+通用监控（Datadog/New Relic）
+  └─ 做不了：LLM 特有故障类型
+
+On-call 平台（PagerDuty/incident.io）
+  └─ 做不了：供应商状态感知
+
+K8s 自愈（xMatters/Robusta）
+  └─ 做不了：LLM 供应商层面自愈
+
+LLM 可观测性（Coralogix）
+  └─ 做不了：自动 Remediation
+
+───────────────────────────────────
+立连桥 ai-ops = LLM Gateway 垂直场景
+  ✅ 供应商健康探针（分钟级）
+  ✅ 密钥失效/额度耗尽自动检测
+  ✅ 供应商故障自动切换/限流
+  ✅ 配置审计+回滚+容量视图
+```
+
+---
+
+## 六、技术选型建议
+
+| 组件 | 推荐方案 | 理由 |
+|------|---------|------|
+| 监控后端 | VictoriaMetrics | 单-binary，Prometheus 兼容，压缩率 10x |
+| 告警引擎 | 自研 | LLM Gateway 特有逻辑，通用方案不支持 |
+| 自愈执行 | API 调用为主 | 安全可控，可审计 |
+| 通知渠道 | 飞书+企微双活 | 团队使用习惯，降级链路 |
+| 配置回滚 | 审计日志+完整值快照 | 状态机简单，回滚可靠性高 |