2025开年AI王炸组合：Deepseek + Zabbix = 监控界“钢铁侠”

2025年刚开局，AI圈就炸了！

这一次，不是ChatGPT也不是Sora，而是中国黑马Deepseek凭实力登顶热搜——它用“硬核战斗力”直接改写游戏规则：

智能家居？它能预判你下一秒想关灯；

自动驾驶？它让事故率直降99.99%；

医疗诊断？AI医生直接叫板三甲专家！

网友惊呼：“这哪是AI？简直是‘人类外挂’！”

监控革命】

“Zabbix+AI=地表超强“预言家”？

而今天的Zabbix也将AI玩出了新高度——用AI给自己装了个“贾维斯级”智能助理（钢铁侠同款！），直接把运维效率拉满！

【硬核教程】

“

手把手教学：给Zabbix装个“AI大脑”

（以下内容翻译自Zabbix官方博客，原文标题：Creating a Personal Assistant in Zabbix with Artificial Intelligence）

Zabbix 致力于根据预先确定的阈值监控 IT 基础设施，例如服务器、网络和应用程序。将人工智能 （AI） 作为补充整合到 Zabbix 中，用户可以根据这些预定阈值缓解告警，从而提供可能的原因和问题的解决方案。这可以帮助用户更高效地解决事件。

在本文中，我们将解释如何使用提供的 API 以及自定义小部件替代方案来集成 Zabbix 和 Google 的 AI 工具 Gemini。

1、向集成的第一步

您可以在 GitHub 中找到基于 Google Gemini 模型的存储库。您需要在 Google AI Studio 中创建一个帐户才能获取所需的 API。

2、Zabbix 中的脚本配置

从 Zabbix 7.0 版本开始，访问：

“警报”>“脚本”>“创建脚本”。

对于此功能，我们将名称指定为 “Possible cause and solution”。

接下来，我们可以使用 AI Studio 中生成的 trigger 事件和 API 配置参数。

然后，我们从 «Script» 字段中提到的存储库中复制并获取脚本，如下图所示：

3、问题面板中的应用程序

配置后，我们访问警报面板并选择特定警报。我们点击“AI 助手”并访问之前称为“可能的原因和解决方案”的功能。

下图显示了笔记本上安装的代理的示例。

可能的原因：

可能的解决方案：

AI 将能够为提出的每个问题提供精确的解决方案，使我们能够逐步优化预定阈值。

4、使用自定义小部件 “What are working on？”

为用户创建准确的个性化仪表板至关重要。

考虑到这一点，我们建议创建一个基于 AI 的小部件，名为 “What are you working on？”（¿Qué harías tu？西班牙语），它分析了 Zabbix 中呈现的问题的当前状态。

此概念集成了小组件中存在的所有功能（包括摘要、透视图、诊断、比较和预测），因为使用的提示可以指示是否有必要对战略计划进行调整或根据构建的面板数据预测未来趋势。

为了举例说明“What are you working？” 小部件是如何工作的，让我们考虑一下 Zabbix Server 上的磁盘使用情况分析。

从 Zabbix 官方页面创建个性化小部件。

一旦我们了解了项目，在 Zabbix Server 的后端，我们找到路由：

/usr/share/zabbix/widgets/ 中

然后，我们创建一个名为 “insights” 的文件夹并复制以下存储库。有必要将 Gemini API 放在文件 «assets/js/class.widget.php.js» 的 “YOUR_API_KEY” 字段中。

在前端，我们转到 “Administration” > “General” > “Modules”。

在右上角，我们单击“扫描目录”。我们有我们的小部件可以使用：

执行扫描后，必须启用该小部件，因为它默认处于禁用状态。

5、在 Zabbix 中使用 AI 的重要性

让我们想象一个有 100 个受监控服务器的场景。性能阈值、Windows 服务或其他特定服务每周最多可以生成 50 个警报。在 AI 的帮助下，可以将这个数字减少到最低限度，这要归功于每周收集可能的原因和解决方案。

这种基础方法允许用户更快地解决问题，但也通过最大限度地减少对 Zabbix server 的必要调整来改善整体健康状况。

6、在本地实施 AI

使用带有开源 AI 模型的专用服务器（如 HuggingFace），可以在本地实现 AI 并创建一个数据库来收集事件的可能原因和解决方案。

AI 将从重复事件中学习，在未来提供更准确的答案。对可能趋势的分析可以基于生成的警报。通过这种方式，我们可以优化我们的警报，并让人工智能来理解和解决我们的问题。

7、结论

我们使用的模型是面向项目的。人工智能在不断发展，我们必须使用我们最了解的模型。语言之所以与众不同，是因为用于回答的提示的方向以及我们可以提供的学习，无论是通过向特定的人工智能平台发出请求，还是在本地使用它。