Skip to content
/ SysScope-AI Public

90% of this project is powered by AI. SysScope-AI 是一个基于大模型AI驱动的计算机系统检测工具。

License

MIT license
1 star 0 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

manwjh/SysScope-AI

BranchesTags

Repository files navigation

SysScope AI

一个基于LLM的自动化系统测试报告生成工具，能够智能分析系统状态并生成详细的测试报告。 image image

🚀 快速开始

开发环境设置

  1. 安装依赖
# 一键安装所有依赖（推荐）
./install_deps.sh

# 或者手动安装
# 后端依赖
cd backend
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

# 前端依赖
cd frontend
npm install
  1. 启动开发环境
# 一键启动前后端服务
./start.sh

# 或者分别启动
# 后端服务
cd backend
source venv/bin/activate
python app.py

# 前端服务（新终端）
cd frontend
npm start
  1. 访问应用

📦 安装脚本说明

脚本功能对比

脚本名称 主要功能 适用场景 特点
install.sh 完整系统安装 首次安装、生产环境 包含环境检查、目录创建、依赖安装、配置设置
install_deps.sh 依赖安装更新 开发环境、依赖更新 重新创建虚拟环境，专注依赖管理
quick_deploy.sh 多方式部署 用户友好部署 交互式菜单，支持多种部署方式

详细说明

1. install.sh - 完整安装脚本

功能：

  • 环境检查（Python3、Node.js）
  • 创建必要目录（reports、logs）
  • 安装后端依赖（Python虚拟环境）
  • 安装前端依赖（npm包）
  • 配置环境变量文件
  • 使用国内镜像源加速

使用场景：

  • 首次安装系统
  • 生产环境部署
  • 需要完整环境配置

命令：

./install.sh

2. install_deps.sh - 依赖安装脚本

功能：

  • 重新创建Python虚拟环境
  • 安装/更新后端依赖
  • 安装/更新前端依赖
  • 验证依赖安装状态

使用场景：

  • 开发环境快速设置
  • 依赖包更新
  • 虚拟环境重置

命令：

./install_deps.sh

3. quick_deploy.sh - 快速部署脚本

功能：

  • 提供交互式部署菜单
  • 支持多种部署方式选择
  • 集成其他脚本功能

部署选项：

  1. 本地安装 - 调用 install.sh
  2. Docker容器部署 - 使用docker-compose
  3. 离线安装包部署 - 解压并安装离线包
  4. 创建离线安装包 - 调用 create_offline_package.sh

使用场景：

  • 用户友好的部署入口
  • 多种部署方式选择
  • 适合不同技术水平的用户

命令：

./quick_deploy.sh

选择建议

  • 新用户：使用 ./quick_deploy.sh 选择适合的部署方式
  • 开发者：使用 ./install_deps.sh 快速设置开发环境
  • 运维人员：使用 ./install.sh 进行标准化安装
  • 离线环境：使用 ./quick_deploy.sh 选择离线安装

🚀 快速部署

方式一：一键部署（推荐）

./quick_deploy.sh

方式二：本地安装

./install.sh

方式三：Docker部署

docker-compose up -d

方式四：离线安装

# 1. 创建离线包
./create_offline_package.sh

# 2. 解压并安装
tar -xzf SysScope_AI_offline.tar.gz
cd offline_package
./install_offline.sh

功能特性

  • 🤖 智能测试计划生成: 使用LLM根据系统信息自动生成测试计划
  • 🎯 可选择性执行: 用户可以选择执行哪些测试项目
  • 🖥️ 可视化界面: 直观的Web界面查看测试计划和结果
  • 📝 自定义测试: 支持用户自定义测试项目和计划
  • 📊 灵活输出: 支持多种输出格式和路径配置
  • 🔧 跨平台支持: 当前支持macOS，后续支持Linux
  • ⚡ 快速部署: 支持多种部署方式，解决依赖下载慢的问题

系统架构

SysScope-AI/
├── backend/                 # 后端服务
│   ├── app.py              # FastAPI主应用
│   ├── requirements.txt    # Python依赖
│   ├── core/               # 核心组件
│   │   ├── system_detector.py    # 系统检测器
│   │   ├── llm_client.py         # LLM客户端
│   │   ├── test_engine.py        # 测试引擎
│   │   └── report_generator.py   # 报告生成器
│   └── models/             # 数据模型
│       └── schemas.py      # Pydantic模型
├── frontend/               # 前端应用
│   ├── package.json        # Node.js依赖
│   ├── public/             # 静态资源
│   └── src/                # 源代码
│       ├── App.js          # 主应用组件
│       ├── components/     # 通用组件
│       ├── pages/          # 页面组件
│       └── utils/          # 工具函数
├── reports/                # 生成的报告
├── config/                 # 配置文件
├── docs/                   # 项目文档
├── tests/                  # 测试文件
├── start.sh               # 启动脚本
├── install.sh             # 安装脚本
└── README.md              # 项目文档

部署方式详解

1. 本地安装（优化版）

  • 使用清华PyPI镜像源加速Python包下载
  • 使用淘宝npm镜像源加速Node.js包下载
  • 自动创建虚拟环境
  • 一键安装所有依赖

2. Docker容器部署

  • 预构建的Docker镜像
  • 包含所有依赖，无需本地安装
  • 支持环境变量配置
  • 数据持久化存储

3. 离线安装包

  • 预下载所有依赖包
  • 无需网络连接即可安装
  • 适合内网环境部署
  • 大幅减少安装时间

环境要求

  • Python 3.8+ (本地安装)
  • Node.js 16+ (本地安装)
  • Docker & Docker Compose (容器部署)
  • macOS (当前版本)

使用说明

SysScope-AI 使用说明

快速开始

1. 一键安装依赖

./install.sh

这个脚本会：

  • 创建Python虚拟环境
  • 安装所有必需的依赖包（包括numpy、torch等）
  • 检查关键依赖是否正确安装

2. 启动后端服务

./start_backend.sh

或者使用完整启动脚本：

./start.sh

常见问题解决

测试失败问题

如果遇到以下错误：

  • ModuleNotFoundError: No module named 'numpy'
  • ModuleNotFoundError: No module named 'torch'
  • ModuleNotFoundError: No module named 'fastapi'

解决方案：

  1. 确保已运行 ./install.sh 安装所有依赖
  2. 确保后端服务在虚拟环境中运行
  3. 如果问题持续，重新运行安装脚本： 
    rm -rf backend/venv
./install.sh

虚拟环境问题

  • 如果遇到虚拟环境相关错误，请确保使用 ./start_backend.sh 启动服务
  • 不要直接在系统Python环境中运行，必须使用虚拟环境

依赖说明

项目需要以下关键依赖：

  • fastapi: Web框架
  • numpy: 数值计算（INT算力测试）
  • torch: PyTorch深度学习框架（FP8/FP16/FP32/FP64算力测试）
  • sysbench: 系统性能测试工具

测试功能

系统支持以下测试类别：

  • 系统信息收集
  • 算力测试（INT、FP8、FP16、FP32、FP64）
  • 性能测试
  • 安全测试
  • 网络测试
  • 存储测试
  • 软件环境测试
  • 硬件检测

配置说明

LLM参数配置流程

1. 参数初始化

LLM参数在系统中有多个配置源，按优先级排序：

配置文件优先级：

  1. .env 文件（最高优先级）
  2. config.env 文件
  3. config.env.example 文件（默认模板）

配置参数说明：

# LLM API配置
LLM_PROVIDER=custom                    # LLM提供商：custom/openai/anthropic
LLM_MODEL=doubao-seed-1-6-flash-250615 # 模型名称
LLM_API_KEY=your_api_key_here         # API密钥
LLM_BASE_URL=https://ark.cn-beijing.volces.com/api/v3  # API基础URL
LLM_MAX_TOKENS=4000                   # 最大Token数
LLM_TEMPERATURE=0.7                   # 温度参数

# 报告配置
REPORT_OUTPUT_PATH=reports            # 报告输出路径
REPORT_FILENAME_PATTERN=report_{timestamp}_{system_name}  # 文件名模式
REPORT_INCLUDE_SYSTEM_INFO=true       # 包含系统信息
REPORT_INCLUDE_RAW_LOGS=false         # 包含原始日志
REPORT_INCLUDE_ANALYSIS=true          # 包含LLM分析

2. 前端编辑和保存

用户可以通过Web界面修改LLM参数：

访问设置页面：

  • 在应用界面点击"设置"菜单
  • 或直接访问 http://localhost:3000/settings

可编辑参数：

  • LLM提供商选择
  • 模型名称
  • API密钥
  • API基础URL
  • 最大Token数
  • 温度参数
  • 报告相关配置

保存流程：

  1. 用户在设置页面修改参数
  2. 点击"保存"按钮
  3. 前端调用 /api/settings/save API
  4. 后端将配置写入 config.env 文件
  5. 提示用户重启后端服务使配置生效

3. 参数传递过程

后端启动时：

1. backend/app.py 启动
2. 加载环境变量文件（.env > config.env > config.env.example）
3. 初始化 LLMClient 实例
4. LLMClient._load_config() 读取环境变量
5. 创建 LLMConfig 对象存储配置

API调用时：

1. 前端发起"生成测试计划"请求
2. backend/app.py 路由 /api/test-plan/generate
3. 调用 llm_client.generate_test_plan()
4. LLMClient._call_llm() 使用配置的API参数
5. 发送HTTP请求到LLM服务

配置更新时：

1. 前端设置页面保存配置
2. POST /api/settings/save
3. 后端写入 config.env 文件
4. 提示重启后端服务
5. 重启后重新加载配置

4. 配置方式对比

配置方式 优点 缺点 适用场景
前端设置页面 用户友好，可视化 需要重启服务 开发/测试环境
直接编辑 .env 立即生效，灵活 需要手动编辑 生产环境
Docker环境变量 容器化部署 需要重建镜像 容器部署
配置文件模板 标准化配置 需要复制修改 新环境部署

5. 故障排除

常见配置问题：

  1. API密钥错误：检查 LLM_API_KEY 是否正确
  2. 模型名称错误：确认 LLM_MODEL 在服务商中可用
  3. URL格式错误：验证 LLM_BASE_URL 格式
  4. 配置未生效：重启后端服务重新加载配置

调试方法：

# 检查当前配置
cat .env
cat config.env

# 查看后端日志
tail -f logs/backend.log

# 测试API连接
curl -X POST "https://ark.cn-beijing.volces.com/api/v3/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"doubao-seed-1-6-flash-250615","messages":[{"role":"user","content":"test"}]}'

性能优化

依赖下载优化

  • 国内镜像源: 使用清华PyPI和淘宝npm镜像
  • 离线安装包: 预下载所有依赖，避免网络问题
  • Docker镜像: 预构建包含所有依赖的镜像

部署时间对比

  • 传统安装: 10-30分钟（取决于网络）
  • 优化安装: 2-5分钟
  • Docker部署: 1-2分钟
  • 离线安装: 30秒-1分钟

故障排除

安装脚本问题

install.sh 相关问题

  1. Python3未安装错误

    # 安装Python3
brew install python3  # macOS
sudo apt install python3  # Ubuntu

  2. Node.js未安装错误

    # 安装Node.js
brew install node  # macOS
curl -fsSL https://deb.nodesource.com/setup_16.x | sudo -E bash -  # Ubuntu
sudo apt-get install -y nodejs

  3. 权限问题

    # 给脚本执行权限
chmod +x install.sh
# 或使用sudo运行
sudo ./install.sh

install_deps.sh 相关问题

  1. 虚拟环境创建失败

    # 手动创建虚拟环境
cd backend
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

  2. 依赖验证失败

    # 检查具体依赖
python -c "import fastapi; print('FastAPI OK')"
python -c "import uvicorn; print('Uvicorn OK')"
python -c "import openai; print('OpenAI OK')"
python -c "import psutil; print('Psutil OK')"

quick_deploy.sh 相关问题

  1. Docker未安装

    # 安装Docker
brew install --cask docker  # macOS
curl -fsSL https://get.docker.com | sh  # Linux

  2. Docker Compose未安装

    # 安装Docker Compose
pip install docker-compose
# 或使用独立版本
sudo curl -L "https://github.com/docker/compose/releases/download/v2.20.0/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose

网络问题

  1. 使用离线安装包
  2. 配置代理服务器
  3. 使用Docker部署

依赖问题

  1. 清理缓存: pip cache purge / npm cache clean --force
  2. 使用镜像源
  3. 检查网络连接

权限问题

  1. 使用sudo运行安装脚本
  2. 检查目录权限
  3. 使用Docker避免权限问题

开发说明

项目结构

  • backend/: FastAPI后端服务
  • frontend/: React前端应用
  • core/: 核心测试引擎和LLM集成
  • tests/: 单元测试
  • docs/: 项目文档

贡献指南

  1. Fork项目
  2. 创建功能分支
  3. 提交更改
  4. 创建Pull Request

许可证

MIT License

About

90% of this project is powered by AI. SysScope-AI 是一个基于大模型AI驱动的计算机系统检测工具。

Resources

Readme

License

MIT license
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

1 tags

Packages

No packages published

Languages