将Zabbix飞书告警与本地OLLAMA大模型集成的完整技术方案：

架构拓扑

一、环境准备

1.1 系统要求

• Linux 服务器（推荐 Ubuntu 20.04+）
• Docker 与 NVIDIA 驱动（如需 GPU 加速）
• Python 3.9+（用于告警脚本）
• Zabbix Server 6.x+
• 飞书企业账号与 Webhook 地址

1.2 安装依赖

sudo apt update
sudo apt install -y docker.io python3-pip nginx
pip3 install requests diskcache prometheus_client

二、部署 OLLAMA 服务

2.1 启动容器

docker run -d --gpus=all \
  -p 11434:11434 \
  -v ollama:/root/.ollama \
  --name ollama \
  ollama/ollama

2.2 下载模型

docker exec ollama ollama pull llama3

可替换为 deepseek-r1:8b 等模型。

三、配置 Nginx 网关（推荐）

3.1 配置文件

nginx

# /etc/nginx/conf.d/ollama_gateway.conf
server {
    listen 11435;
    server_name _;

    location / {
        proxy_pass http://127.0.0.1:11434;
        proxy_set_header Host $host;
        proxy_set_header X-Forwarded-For $remote_addr;

        proxy_connect_timeout 5s;
        proxy_read_timeout 15s;
        proxy_send_timeout 15s;

        limit_req zone=ollama burst=40 nodelay;
        proxy_next_upstream error timeout http_502 http_503 http_504;
    }
}
limit_req_zone $binary_remote_addr zone=ollama:10m rate=20r/s;

3.2 重启服务

sudo systemctl restart nginx

四、告警脚本配置

4.1 脚本路径

/usr/lib/zabbix/alertscripts/feishu_ollama.py

五、Zabbix 配置

5.1 媒体类型

• 类型：脚本
• 脚本：feishu_ollama.py

• 参数：

  代码

  {ALERT.SENDTO}
  {ALERT.SUBJECT}
  {ALERT.MESSAGE}
  

5.2 动作模板

• 问题产生时

  主题: {TRIGGER.NAME}
  消息: 主机:{HOST.NAME} 严重度:{TRIGGER.SEVERITY} 事件ID:{EVENT.ID} 详情:{ITEM.NAME}:{ITEM.VALUE}
  

• 问题恢复时

  主题: {TRIGGER.NAME} 已恢复
  消息: 主机:{HOST.NAME} 事件ID:{EVENT.ID} 状态:OK
  

六、安全加固

6.1 启用认证

docker run ... \
  -e OLLAMA_AUTH="basic" \
  -e OLLAMA_ORIGINS="http://zabbix-server-ip:*" \
  ollama/ollama

6.2 创建用户

docker exec ollama ollama auth add --username zabbix --password StrongPass123!

6.3 脚本中添加认证

python

auth = ("zabbix", "StrongPass123!")
requests.post(..., auth=auth)

七、高可用与健康检查

7.1 多节点配置

python

OLLAMA_NODES = [
    "http://ollama-node1:11434",
    "http://ollama-node2:11434",
    "http://ollama-node3:11434"
]

7.2 systemd 健康检查

ini

# /etc/systemd/system/ollama-health.service
[Unit]
Description=OLLAMA Health Check
After=network.target

[Service]
ExecStart=/usr/local/bin/ollama_healthcheck.sh
Restart=always

[Install]
WantedBy=multi-user.target

ollama_healthcheck.sh：

#!/bin/bash
URL="http://127.0.0.1:11434/api/tags"
if ! curl -s --max-time 2 $URL | grep -q "llama3"; then
  systemctl restart ollama
fi

八、智能降级策略

• 负载过高时跳过分析

python

if os.getloadavg()[0] > 5.0:
    return "🔻 系统负载过高，已跳过AI分析"

• 失败回退机制

python

try:
    analysis = get_ollama_analysis(alert_message)
except Exception:
    analysis = requests.get("http://backup-ai-service/analyze").text

九、验证与调试

9.1 手动测试

python3 feishu_ollama.py https://飞书webhook地址 "测试主题" "CPU负载超过90%"

9.2 查看日志

docker logs --tail 100 ollama

9.3 Prometheus 指标

• ollama_analysis_duration
• ollama_model_mem_usage

十、模型优化与定制

10.1 Modelfile 示例

dockerfile

FROM llama3
SYSTEM """
你是一个专注于运维场景的AI助手，需要：
- 使用中文输出
- 优先推荐自动化处置方案
- 对磁盘、网络、CPU问题有专业判断
"""

创建模型：

docker exec ollama ollama create myops -f Modelfile

10.2 GPU 资源隔离

docker run ... --gpus '"device=0:0"'

总结

本文覆盖了：

• 部署：OLLAMA 容器 + 模型下载
• 网关：Nginx 限流与熔断
• 脚本：增强版 Python 脚本
• Zabbix：媒体类型与动作模板
• 安全：认证与来源限制
• 高可用：多节点 + systemd 健康检查
• 降级：负载感知与回退机制
• 验证：手动测试与监控指标
• 优化：Modelfile 定制与 GPU 隔离