RadOps 是一个 AI 驱动的多智能体平台，定位为 NetDevOps 与安全自动化，目标是以接近人类的推理能力自动化 DevOps 工作流。与传统的聊天机器人不同，RadOps 会记住上下文、验证自身工作，并能在整个基础设施上自主执行复杂的多步骤操作。
用途与定位 RadOps 主要面向网络运维（NetDevOps）和安全自动化场景。它通过多智能体协作来编排和执行业务流程，适合需要跨基础设施执行多步骤操作的团队，例如网络配置、安全检查等自动化任务。
主要能力 平台采用 Supervisor-Worker 架构，并使用严格的顺序逻辑进行受约束的编排，以防止执行错误。它具备三层认知记忆：工作记忆、临时事实和核心知识（永久架构规则）。智能体发现支持可扩展的两种模式：提示模式适用于小型团队（少于 15 个智能体），发现模式通过基于向量的智能体查找实现无限扩展。
配置驱动的专家智能体允许通过 YAML 定义角色和工具集，即可快速创建专门的智能体（如网络、安全），无需编写新代码。人类在环功能可在执行敏感操作前暂停工作流，等待用户批准或输入。Agent 技能可通过 Markdown 文件快速扩展智能体的能力，技能可以是 Python、Bash 或 MCP 调用。统一工作流支持在 Markdown 中定义复杂的标准操作程序（SOP），编排工具、技能和 MCP 调用，并支持变量注入。多步骤工作流会自动将复杂请求分解为逻辑步骤，按顺序执行并跟踪状态、强制执行计划。
验证机制 平台提供“信任但验证”的审计机制，专门的 QA 审计节点会对照用户请求验证实际工具输出，在幻觉到达用户之前将其捕获。
数据与连接 RadOps 采用声明式 RAG 和 BYODB（自带数据库）方式，支持主流向量数据库，以零代码、配置驱动的方式生成知识工具。它基于 Model Context Protocol（MCP）构建弹性连接，具有可自我修复的客户端，能够在服务器重启后继续工作。通过 OpenTelemetry 提供对智能体逻辑、工具执行和 LLM 流式输出的完整追踪，实现深度可观测性。
支持的模型提供商 OpenAI（openai）：gpt-5、gpt-5-nano 等云模型。 Anthropic（anthropic）：claude-4-5-sonnet、claude-4-5-opus 等云模型。 DeepSeek（deepseek）：DeepSeek API 模型。 Azure OpenAI（azure）：Azure 托管的 OpenAI 模型。 Google（google）：gemini-3-pro-preview 等 Google Gemini 模型。 Groq（groq）：Groq Cloud 模型。 Mistral（mistral）：Mistral AI 模型。 AWS Bedrock（bedrock）：AWS 托管模型。 Ollama（ollama）：本地模型。若用于智能体，模型必须支持工具调用。
向量数据库 Weaviate：混合搜索、GraphQL API、多租户。 Qdrant：高性能（Rust）、高级过滤。 Pinecone：托管云、无服务器、自动扩展。 Milvus：开源、水平扩展、GPU 支持。 Chroma：轻量级、嵌入式，适合开发/测试。
使用方式 可通过克隆仓库安装：git clone https://github.com/mehrdadrad/radops.git，然后 cd radops，使用 uv 安装依赖：uv pip install -e . 。更详细的配置、部署和功能指南请参考官方文档。项目欢迎贡献，步骤为：在 GitHub 上 fork 项目、创建功能分支（git checkout -b feature/amazing-feature）、提交更改、推送分支并打开 Pull Request。
构建技术 RadOps 使用 LangGraph、Mem0、主流向量数据库等构建。
适用场景与限制 RadOps 适合需要自动化网络与安全运维流程的团队。其限制在于：若使用 Ollama 本地模型运行智能体，模型必须支持工具调用；其他具体限制暂未提供。
