跳到正文
阿里雲開發者社區 AI·· 4 天前AI 評分39

龍蜥 SkillHub 精選:把風扇排查經驗整理成 Skill,讓 AI 智能體監測 AMD 伺服器散熱狀態

把风扇排查经验写成 Skill,让 AI Agent 预防服务器过热导致宕机 | 龙蜥 SkillHub 精选

AI 導讀

《Monitor AMD server fans》Skill 將風扇排查經驗整理成監測技能,讓 AI 智能體讀取 AMD 伺服器的 Linux hwmon 風扇轉速,及早識別散熱異常。技能預設轉速範圍為 500 至 30000 RPM,並以 OK、ALERT 和 SKIP 區分檢查結果;未找到傳感器時不會誤報為風扇停轉。技能採用只讀設計,合成測試通過,但尚未驗證真實 AMD 伺服器上的風扇遙測。

正文

2026-11-18 6

版权

版权声明:

本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

专注于 Infra 层的 AI Agent 技能平台——龙蜥社区 SkillHub 已收到数百个技能,当前陆续上线中。我们每周也会收到一些技能的最佳实践分享,本期给大家推荐的是胡熙盛贡献的《Monitor AMD server fans》Skill,他长期从事服务器运维与硬件管理相关工作,重点关注 AMD 服务器平台的散热与硬件状态,在风扇转速监控、温度管理、BMC 指标采集等方面积累了一定的实践经验。本次他将相关排查经验整理成一个技能,使 AI Agent 能够直接监测 AMD 服务器风扇运行状态,尽早识别散热异常,降低因过热导致的宕机风险。以下是他们的实战分享:

背景

服务器散热异常可能引发降频、性能抖动甚至非计划停机。相比人工登录 BMC 查看转速,把风扇 RPM 纳入日常巡检更适合持续运维。

  • 但“监控 AMD 服务器风扇”并不是读取一个固定文件那么简单:
  • AMD CPU 只能说明处理器厂商,不能保证风扇传感器一定由操作系统暴露;
  • 不同主板和传感器驱动会生成不同的hwmon 目录;
  • 部分服务器只在 BMC/IPMI 中提供风扇数据;
  • 没有发现传感器不等于风扇停转;
  • 监控脚本不应顺便修改 PWM 或控制风扇。

因此,我设计了monitor-amd-server-fans Skill:只读取 Linux hwmon 中的风扇转速,应用有界阈值,并明确区分 OK、ALERT 和SKIP。

数据从哪里来

Linux hwmon 使用标准 sysfs 属性暴露硬件监控数据。风扇转速通常位于:

/sys/class/hwmon/hwmon*/fan*_input
复制

Linux 内核文档将 fan[1-*]_input 定义为风扇输入值,单位为 RPM。由于 hwmon 编号可能随启动和驱动加载顺序变化,脚本不会写死 hwmon0,而是遍历全部匹配路径。

(图/先识别 AMD CPU,再读取 hwmon 风扇传感器;条件不满足时返回 SKIP,而不是制造错误结论)

为什么需要显式 SKIP

真实服务器的硬件接口并不统一。假设脚本没有找到 fan*_input,至少存在三种可能:

1、服务器没有向操作系统暴露转速;

2、对应 hwmon 驱动没有加载;

3、风扇数据只能通过厂商 BMC/IPMI 获取。

如果这时输出“风扇转速为 0”或“巡检正常”,都会误导运维人员。因此 Skill 使用专门的退出状态:

退出码

状态

含义

0

OK

找到传感器,全部 RPM 位于阈值范围内

1

ALERT

至少一个有效传感器读数越界

3

SKIP_NO_AMD_CPU / SKIP_NO_FAN_SENSOR

当前主机无法完成这类检查

64

参数错误

阈值无效或输入参数不符合约束

SKIP 不是失败,也不是通过;它表示当前证据不足,需要改用 BMC/IPMI 或厂商工具继续核实。

运行方法

(图/读取、解析、阈值判断和结构化输出的完整流程)

默认最小转速为 500 RPM,最大转速为 30000 RPM:

python3 scripts/fan_monitor.py --min-rpm 500 --max-rpm 30000
复制

正常示例:

{
  "fans": [
    {
      "rpm": 1200,
      "sensor": "fan1",
      "status": "OK"
    }
  ],
  "schema": 1,
  "status": "OK"
}复制

如果主机不是 AMD CPU,输出类似:

{"schema": 1, "status": "SKIP_NO_AMD_CPU"}复制

如果确认是 AMD CPU,但系统中没有可读的风扇传感器,则输出:

{"schema": 1, "status": "SKIP_NO_FAN_SENSOR"}
复制

JSON 中保留 schema 字段,便于监控平台后续兼容字段演进。

只读安全边界

这个 Skill 的职责是监控,不是控制。它只读取:

  • /proc/cpuinfo;
  • /sys/class/hwmon/hwmon*/fan*_input。

它不会:

  • 写入pwm* 或fan*_target;
  • 修改风扇曲线;
  • 加载或卸载内核模块;
  • 登录 BMC 或调用 IPMI;
  • 更改传感器阈值;
  • 使用 sudo 修改系统。

这是一个重要的设计边界。错误的 PWM 操作可能直接影响服务器散热,不能与只读巡检混在同一个自动化流程中。

如何在没有真实 AMD 服务器时测试

硬件 Skill 最容易出现的问题,是开发者把“本地脚本运行成功”误认为“真实硬件验证成功”。为此,测试脚本提供可替换的 --sysroot 和--cpuinfo 路径,创建最小模拟环境:

cpuinfo: vendor_id : AuthenticAMD
sys/class/hwmon/hwmon0/fan1_input: 1200
复制

随后运行监控脚本并断言:

  • 退出码为 0;
  • JSON 总状态为 OK;
  • 1200 RPM 被正确解析。

测试命令:

python3 tests/test_fans.py
复制

参考验证结果:

PASS_AMD_FAN_FIXTURE
复制

这种测试可以证明解析、阈值和 JSON 输出逻辑正确,但不能证明某一型号服务器一定暴露 hwmon 风扇传感器。

Anolis OS 8.2 验证证据

(图 4/合成测试证明逻辑层可用,真实非 AMD 主机则诚实报告 SKIP)

验证分为两个层级:

L1:合成 AMD/hwmon 测试

  • 模拟 AMD CPU 标识;
  • 模拟 fan1_input=1200;
  • 返回 OK;
  • 临时目录在测试结束后清理。

L2:匿名化 Anolis OS 8.2 主机只读执行

真实主机返回:

{"schema": 1, "status": "SKIP_NO_AMD_CPU"}
复制

退出码为 3。原因是验证主机没有 AMD CPU,因此没有把结果包装成“AMD 风扇监控通过”。

最终证据边界是:

  • PASS:CPU 标识解析、hwmon 路径遍历、RPM 解析、阈值判断、JSON 输出和跳过逻辑;
  • SKIP:真实 AMD 服务器上的 hwmon/BMC 风扇遥测;
  • 未发生任何 PWM、BMC、IPMI、内核模块或传感器配置修改。

实践中的几个坑

1. 把“没有传感器”判断为“风扇停转”

这是最危险的误判。传感器缺失只能输出SKIP_NO_FAN_SENSOR,后续交给 BMC/IPMI 检查。

2. 固定使用 `/sys/class/hwmon/hwmon0`

hwmon 编号不稳定,应遍历所有 hwmon* 目录并匹配 fan*_input。

3. 使用同一阈值覆盖所有服务器

500—30000 RPM 是有界默认值,不是所有硬件的厂商标准。生产使用前应根据服务器型号、风扇规格和运行模式设定阈值。

4. 把监控和控制做在一起

只读监控可以安全地自动执行;修改 PWM 则需要型号确认、变更审批、回滚方案和现场散热风险评估,应该属于另一个受控流程。

5. 忽略监控系统对退出码的处理

监控平台必须分别处理 0、1 和 3。把退出码 3 一律视为“正常”,会掩盖监控覆盖缺口;把它一律视为故障,又会制造无意义告警。

进一步完善方向

后续可以在不破坏只读边界的前提下扩展:

  • 读取fan*_label,输出更友好的传感器名称;
  • 支持按传感器设置不同阈值;
  • 增加 Prometheus 文本格式输出;
  • 对连续多次低转速设置抑制窗口,减少瞬时抖动告警;
  • 将 BMC/IPMI 读取设计成独立、需授权的适配层;
  • 在更多 AMD EPYC 服务器型号上积累匿名化兼容性证据。

总结

硬件监控的价值不只是“读到一个数字”,更重要的是准确表达证据边界。monitor-amd-server-fans 通过标准 hwmon 接口读取 RPM,使用明确的阈值和退出码,并在硬件条件不满足时诚实返回 SKIP。

对于自动化运维而言,一个准确的“当前无法判断”,往往比错误的“全部正常”更可靠。

相关链接:

Monitor AMD server fans Skill:

https://skillhub.openanolis.cn/skill/monitor-amd-server-fans

龙蜥社区 Skillhub 官网链接:

https://skillhub.openanolis.cn

Linux 内核 hwmon sysfs 接口文档:

https://docs.kernel.org/hwmon/sysfs-interface.html

Linux 内核 pwm-fan 驱动文档:

https://docs.kernel.org/6.2/hwmon/pwm-fan.html

龙蜥社区 Skill 征集活动——「Skill 创造营」上线以来响应热烈。截至目前,龙蜥 SkillHub 已收到覆盖安全、系统运维、AI 推理、数据库等多个领域,一个面向 Infra 的 AI 技能生态正在加速成型。「Skill 创造营」持续征集中,诚挚欢迎每一位开发者提交你的 Skill 与最佳实践。如果你有感兴趣的方向或者关于 SkillHub 的问题,欢迎通过下方链接反馈给我们。

SkillHub 用户需求收集链接:https://alidocs.dingtalk.com/notable/share/form/v014jKqm0b74KdjLnw1_f22ghuX_M7AJs3D

🔥填问卷有礼!

你希望 AI 帮你解决哪些开发难题?龙蜥社区正在收集开发者对 AI 能力的真实需求,社区将为做出精彩回答的小伙伴寄送一份精美礼品,感谢你的认真参与和真诚分享!

问卷链接:https://openanolis.mikecrm.com/8Azm9J0

來源:阿里雲開發者社區 AI · developer.aliyun.com