一、 引言

随着企业数字化转型的深入，IT系统日益复杂化和规模扩大化，传统的运维模式已难以应对海量告警信息的处理需求。如何在第一时间准确识别问题根源并提供有效的解决方案，成为运维团队面临的重大挑战。 Zabbix作为全球领先的开源监控解决方案，在帮助企业实现全面 IT 资产监控方面发挥着重要作用。而深度求索（DeepSeek）作为专注实现AGI的中国的人工智能公司，致力于为各行业提供先进的AI技术和服务。本文将介绍如何通过集成Zabbix与深度求索AI助手，构建智能化告警处理方案。

本文参考官方博文（https://blog.zabbix.com/creating-a-personal-assistant-in-zabbix-with-artificial-intelligence/29596/）

二、方案概述

2.1 技术架构

本方案基于Zabbix监控系统，通过Webhook机制集成Deepseek AI助手，构建智能化运维体系。其核心架构包括：

Zabbix监控平台：负责实时监控和告警触发 Webhook接口：实现告警信息的传递 Deepseek AI平台：提供智能分析能力

2.2 实现原理

• 告警触发时，Zabbix通过预定义动作发送HTTP请求至Webhook脚本
• 脚本解析告警数据并调用Deepseek API进行分析
• 返回结果整合到Zabbix操作界面，供运维人员参考

2.3 系统架构

三、DeepSeek环境搭建

可根据自身环境选择使用云上的服务接口或使用本地部署的环境。鉴于安全和部分环境为离线环境，本次采用本地部署DeepSeek环境,本次使用deepseek-r1:70b

3.1 硬件配置

3.2 DeepSeek本地部署

本次使用Ollama框架进行部署

# 在GPU服务器上安装Ollama,此过程会安装ollama、显卡驱动、CUDA工具等
curl -fsSL https://ollama.com/install.sh | sh

# 修改Ollama监听地址，编辑/etc/systemd/system/ollama.service文件中添加环境变量Environment="OLLAMA_HOST=0.0.0.0:11434"，修改后的完整文件为
[Unit]
Description=Ollama Service
After=network-online.target

[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
ExecStart=/usr/local/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="PATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/snap/bin"

[Install]
WantedBy=default.target

# 重启服务
systemctl daemon-reload
systemct restart ollama

# 拉取DeepSeek-r1-70B模型并运行,此过程会下载40G大小的模型，耐心等待，下载完成后会自动运行模型
ollama run deepseek-r1:70b
# 验证模型加载状态
curl http://localhost:11434/api/tags  

启动后进入对话，输入/bye退出对话。

如本地无条件，可选择租用线上机器进行，推荐使用spacehpc平台，在镜像市场选择DeepSeek-R1 70b镜像即可，开机后模型已下载好，直接运行即可。 

四、Zabbix智能分析集成

4.1 软件配置

4.2 Webhook配置

4.2.1 配置Webhook

在Zabbix控制台中创建新的Webhook脚本，具体步骤如下

1. 登录Zabbix控制台，点击“Alerts”->“Scripts”
2. 点击"Create script"按钮，填写以下内容 

   

• Name: 解决方案
• Scope: Manual event action
• Menu path: AI助手
• Type: Webhook
• Parameters: name:detail value: {TRIGGER.NAME},name: host value: {HOST.HOST}

1. 在Script body中粘贴如下内容：

// 配置信息
var OLLAMA_API_URL = 'http://192.168.6.80:11434/api/chat'
var MODEL_NAME = 'deepseek-r1:70b'

/**
 * 生成告警消息
 * @param {Object} params - Zabbix 告警参数
 */
function generateAlertMessage(params) {
 return [
  '当前服务器告警，主机: ' + params.host,
  '详情: ' + params.detail,
  '请执行：1. 根本原因分析（概率排序）2. 提供修复命令3. 关联知识文档',
 ].join('\n')
}

/**
 * 发送消息到 Ollama Chat API
 * @param {string} message - 要发送的消息
 */
function sendToOllama(message) {
 try {
  // 准备请求数据
  var payload = JSON.stringify({
   model: MODEL_NAME,
   messages: [
    {
     role: 'user',
     content: message,
    },
   ],
   stream: false,
  })

  // 记录请求日志
  Zabbix.Log(4, '[Ollama Webhook] 发送请求: ' + payload)

  // 发送请求
  var response = new HttpRequest()
  //response.addHeader('Content-Type: application/json')
  var responseData = response.post(OLLAMA_API_URL, payload)

  // 检查响应
  if (response.getStatus() != 200) {
   throw new Error('API 请求失败，状态码: ' + response.getStatus())
  }
  // 记录成功日志
  Zabbix.Log(4, '[Ollama Webhook] 发送成功: ' + responseData)

  try {
   var result = JSON.parse(responseData)
   // chat API 返回的是 message 对象
   return result.message.content || '成功发送到 Ollama'
  } catch (e) {
   return '成功发送到 Ollama（响应解析失败）: ' + e.message
  }
 } catch (error) {
  // 记录错误日志
  Zabbix.Log(3, '[Ollama Webhook] 错误: ' + error.message)
  throw error
 }
}

/**
 * Webhook 主函数
 */
try {
 // 验证必要的输入参数
 if (!value) {
  throw new Error('未收到告警信息')
 }

 Zabbix.Log(4, '[Ollama Webhook] 收到告警信息: ' + value)

 // 构造告警消息
 var params
 try {
  params = JSON.parse(value)
 } catch (e) {
  throw new Error('告警信息格式无效: ' + e.message)
 }

 // 生成并发送告警消息
 var alertMessage = generateAlertMessage(params)
 var response = sendToOllama(alertMessage)

 // 返回处理结果
 return '模型分析结果：\n' + response
} catch (error) {
 // 返回错误信息
 return '处理告警时出错: ' + error.message
}

1. 设置Timeout为60s

4.2.2 关键参数说明

• OLLAMA_API_URL 为Ollama接口地址，默认端口为11434
• OLLAMA_API_URL 为模型名称，可根据实际需求更改，本次使用deepseek-r1:70b

4.2.3 超时优化

Timeout配置为60s，点击保存。目前Webhook最大超时时间为60s，由于Deepseek思考时间可能较长，因此需要增加超时时间，可通过数据库方式直接配置为300s。

# 根据脚本名称更新脚本超时时间为300s
mysql -uzabbix -p
use zabbix;
update scripts set timeout='300s' where name ='解决方案';

4.3 告警分析实践

当Zabbix产生一个告警后，在问题上点击右键选择AI助手-解决方案，就会把此问题发送给Deepseek平台。 

4.3.1 案例一：存储容量告警

告警信息：Windows: FS [(C:)]: Space is low (used > 80%, total 119.3GB) 模型输出： 

4.3.2 案列二：Agent失联告警

告警信息： Linux: Zabbix agent is not available (for 3m) 模型输出： 

从Deepseek给的思考过程和解决方案来看都非常专业，后期可考虑替代运维知识库。

五、 扩展应用场景

1. 预测性维护

• 基于历史数据进行趋势分析
• 预测潜在硬件故障
• 知识库自动化

1. 自动生成标准化运维文档

• 智能更新知识库内容
• 多模态监控

1. 综合分析日志与性能指标

• 提供更全面的故障诊断视角

1. 智能自愈

• 结合自动化工具实现简单故障自愈
• 设置分级响应策略

六、总结

Zabbix与深度求索AI助手的结合，为企业提供了一套智能化的告警处理解决方案。通过将人工智能技术引入运维领域，不仅提升了问题处理效率，还推动了运维模式的革新。未来，随着AI技术的不断发展，这种智能化运维方案必将得到更广泛的应用和持续优化。

后记

以上博文为Deepseek生成后再由作者修改，其中Webhook脚本也为Deepseek生成并通过本地调试修改后完成。

https://www.huodongxing.com/event/2795229785200?td=5132994675487

点击报名👆参加郑州的线下活动，就有可能听到更多Zabbix与Deepseek的相关内容哦！