发版日志

v1.5.0

功能和增强

默认启用智能体模式

现在默认启用智能体模式,不再需要在部署时切换。Smart Doc 会通过显式的推理循环进行回答,并可调用 MCP 工具获取实时集群信息,同时将每个请求路由到合适的行为(问答、故障排查或运维操作),从而更可靠地处理多步骤任务。

工具调用审批

任何会创建、修改或删除集群资源的智能体操作,在执行前都需要用户显式确认。只读工具会继续不中断地执行,在保持写操作受人工控制的同时,为你提供实时洞察。

外部 MCP Servers

管理员可以通过 ConfigMap 注册额外的 MCP server,使自定义工具可供智能体使用。工具名称会按 server 加前缀以避免冲突,并由审批策略决定暴露哪些工具。

自定义技能

技能允许你使用简单的 frontmatter 格式,为特定任务定制智能体的行为,并根据每个请求的名称和描述进行匹配。系统默认提供并加载一组内置技能,自定义技能可以对其进行覆盖。

将 Hyperflux 作为 MCP Server

现在可以从你的 IDE 或其他智能体中将 Hyperflux 作为 MCP server 使用。它通过 ACP bearer-token 认证提供只读访问,而写操作则由基于 elicitation 的审批流程进行控制。

数据脱敏

可配置的脱敏子系统会在用户查询、工具参数和工具结果中屏蔽敏感数据,并支持 redact 和 tokenize 两种模式。仅限管理员的审计 API 只会将脱敏命中记录为元数据,因此原始值不会被存储。

传输安全

Smart Doc 现在支持为到 LLM、MCP 和 reranker 服务的出站连接配置自定义 CA 证书,同时支持可配置的 TLS profile 和安全头。支持 air-gapped 和数据驻留部署,包括一个 fail-safe reranker 路径。

改进

  • 默认启用 BM25 混合搜索,以提升检索质量。
  • 在推理轮次之间复用 MCP session,消除每轮重新握手,并降低智能体模式下的延迟。
  • 将模式分类和词汇表查询并行执行,并在各模式之间共享缓存的基础 prompt,以降低响应延迟。
  • 新增停止生成控制,能够真正取消后端正在进行中的请求,并在历史记录中保存被中断的回答。
  • 新增 SSE heartbeat,避免长时间运行的工具调用导致前端断开连接。
  • 通过提供仅 CPU 构建,减小容器镜像大小。
  • 强化认证和 secret 处理,包括 JWT 过期校验以及日志中的 secret 脱敏。
  • 通过为每个请求提供 trace ID 并减少日志噪声,提升生产环境可诊断性。

问题修复

  • 修复了一个访问控制问题,用户可能访问到其他用户的 session。
  • 修复了 session 和 history API 的错误路径,使失败时返回正确的状态码。
  • 修复了在请求流式传输中途被取消时,智能体对话历史丢失的问题。
  • 修复了从历史记录恢复对话时,残留的 UI 标记被回放到模型中的问题。
  • 修复了新安装环境以及 Kunpeng 920(ARM)硬件上的知识库初始化问题。
  • 解决了所有尚未处理的高危和严重依赖项及镜像安全漏洞。

v1.4.0

功能和增强

提升检索质量

内置知识库已使用更强的模型重新嵌入,显著提升了回答相关性——包括跨语言检索(例如,使用中文提问并检索英文文档)。现有 v1.3.x 部署会在升级过程中自动迁移——请参阅 升级指南。

混合关键词与语义检索

现在回答会结合语义相似度和关键词匹配进行检索,然后融合为单一排序。这能够找回纯语义搜索遗漏的精确关键词匹配——例如 CRD 名称、命令参数和错误字符串——同时不牺牲回答自然语言问题的能力。

文档级检索

除了按各个章节建立索引外,现在还会在文档级别进行索引。对于文档整体主题的问题,即使用户措辞与任何特定段落都不重叠,也能找到正确的文档。

内置知识库预设选择

安装页面现在提供两个内置知识库预设供选择。默认预设适用于大多数查询;更大的预设在涉及长文档的问题上可能带来略好的召回率。

升级期间刷新内置知识库

从 v1.3.x 升级到 v1.4.x 时,会将内置产品知识库替换为新的 GTE 嵌入转储,并自动迁移每文档元数据。无需手动执行数据库导出、导入或重启步骤——请参阅 升级指南。自定义和 BYO 知识库不受此步骤影响(见下方“破坏性变更”和“已知限制”)。

对话历史压缩

长对话会自动进行摘要,以便在不丢失早期轮次的情况下适配 LLM 的上下文窗口。这降低了长时间智能体模式会话的 token 成本,并使用户能够在多条消息之间继续调查,而不会降低质量。

现在可以独立配置智能体模式和 MCP 工具加载

智能体模式(多步骤推理)和 ACP MCP 工具加载现在由独立的安装开关控制。你可以在不加载 ACP MCP 工具的情况下开启智能体模式——例如,当 LLM 只需基于内置知识库进行规划时——并在需要实时集群操作时重新启用这些工具。

构建自定义知识库

新增一份指南,指导管理员将内部 Git repository 导入 Hyperflux 知识库,从而让 Hyperflux 能够回答基于内部 runbook、设计文档或其他内部参考资料的问题。请参阅 构建自定义知识库。

改进

  • 当工具返回较长输出(例如日志或大型资源定义)时,降低智能体模式回答的 token 成本。
  • 提升内置知识库数据库的存储性能。

破坏性变更

  • 在 v1.3.x 下构建的自定义知识库必须在升级前重新构建。 新的 embedding 模型与旧模型不兼容,因此现有自定义语料数据在重新构建前将无法使用。有关新操作步骤,请参阅 构建自定义知识库 指南。

已知限制

  • 你通过 BYO Knowledge 工具上传的文档在升级到 v1.4.0 后会保持不变——仅内置产品知识库会被刷新。

v1.3.1

功能和增强

BYO Knowledge 工具

BYO Knowledge 工具允许企业导入私有知识,并在问答过程中将其作为专用的、可搜索的知识来源。这有助于团队基于内部文档、运维知识和组织特定上下文提供响应。

多集群支持

多集群支持使用户能够按集群名称访问来自多个集群的信息,从而扩展跨集群边界的问答能力。这让查询和比较不同集群环境中的资源变得更容易。

Token 配额限制

Token 配额限制允许按用户限制请求频率和 token 使用量。这有助于管理员控制成本、管理配额,并防止过度消耗模型资源。

历史记录

历史记录支持使用户能够回顾之前的对话和问答结果。这使得追溯上下文、继续早期调查以及基于过往交互排查问题更加容易。

改进

  • 优化了 RAG(langchain)和 reranking 流程,显著提升回答准确性和相关性。
  • 将核心 AI 框架升级到 LangChain 1.0,以保持与最新特性和优化兼容。
  • 新增常规系统检查 prompt,并进行了全面的代码整理和单元测试 linting。
  • 将系统知识库、用户知识库和聊天历史的数据库分离,以提升数据隔离性和性能。
  • 重新设计了 Smart Doc 交互页面,提供更直观、更高效的用户体验。
  • 升级了 MCP server,新增对 OAuth 认证和可写工具配置的支持。
  • 增强了文件上传集成,使知识摄取过程更加顺畅。
  • 新增对自定义元素中 ID 的支持,并解决了相关的数据冗余问题。
  • 实现了基于 Redis 的限流器,以增强系统稳定性并管理 API 流量。

问题修复

  • 修复了模型下载可能失败的问题,并改进了 embedding 模型的环境变量配置。
  • 解决了在合并和解包更新值时发生的数据处理错误。
  • 修复了导致自定义元素中出现冗余数据前缀的 bug。
  • 解决了偶发的服务调用失败问题,以提升整体系统可靠性。

v1.2.1

注意:智能体模式是实验性功能,请谨慎使用。

问题修复

  • 修复了设置知识数据库名称可能不起作用的问题。此修复在安装期间新增了一个选项,用于设置数据库转储文件名,并自动使用指定的数据库转储文件初始化知识库。
  • 修复了在智能体模式下,MCP 工具可以在没有人工确认的情况下创建或删除 K8s 资源的问题。
  • 修复了在使用智能体模式查询磁盘空间信息时,服务器可能卡住的问题。
  • 修复了在 ACP 4.2 或更高版本上部署时,默认节点 taint 未被处理的问题。
  • 修复了一个部署错误:kubeVersion: >=1.20.0 which is incompatible with Kubernetes v1.33.7-1。
  • 修复了在部署时,LLM service 和 rerank service 的 API key 以明文显示的问题。

改进

  • 改进了用于正确识别 Hyperflux 身份的 prompt。
  • 移除了安装页面中未使用的配置项。

v1.2.0

功能和增强

  • 默认使用 RAG chain 回答用户问题,提高回答准确性。
  • 支持导入数据库转储以初始化知识库,简化配置流程。
  • 实验性: 支持启用智能体模式,以利用 MCP 工具检索实时集群信息。
  • 支持连接部署在 Alauda Hyperflux 安装之外的 PGVector 数据库。
  • 支持 Cohere Reranker 模型,以提升回答相关性。
  • 支持设置 RAG chain 参数,例如 total_search_k 等。

已知问题

  • 当 LLM 返回错误时,答案生成可能失败。当再次查看聊天历史时,会再次向 LLM 发送该问题,导致对话重复。