EFF-Monitoring 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分,整体质量较高。我们强烈推荐将其纳入你的 AI 工具库,帮助提升工作效率。
安全运营协作平台,提供日志解析、AI研判等功能
EFF-Monitoring 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
安全运营协作平台,提供日志解析、AI研判等功能
EFF-Monitoring 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
# 方式一:pip 安装(推荐)
pip install eff-monitoring
# 方式二:虚拟环境安装(推荐生产环境)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install eff-monitoring
# 方式三:从源码安装(获取最新功能)
git clone https://github.com/Fausto-404/EFF-Monitoring
cd EFF-Monitoring
pip install -e .
# 验证安装
python -c "import eff_monitoring; print('安装成功')"
# 命令行使用
eff-monitoring --help
# 基本用法
eff-monitoring input_file -o output_file
# Python 代码中调用
import eff_monitoring
# 示例
result = eff_monitoring.process("input")
print(result)
# eff-monitoring 配置文件示例(config.yml) app: name: "eff-monitoring" debug: false log_level: "INFO" # 运行时指定配置文件 eff-monitoring --config config.yml # 或通过环境变量配置 export EFF_MONITORING_API_KEY="your-key" export EFF_MONITORING_OUTPUT_DIR="./output"
<p align="center"> <a href="https://github.com/Fausto-404/EFF-Monitoring/releases"> <img src="https://img.shields.io/github/v/release/Fausto-404/EFF-Monitoring?style=flat-square&label=release&color=blue&cacheSeconds=3600" alt="Release"> </a>
<a href="https://github.com/Fausto-404/EFF-Monitoring/stargazers"> <img src="https://img.shields.io/github/stars/Fausto-404/EFF-Monitoring?style=flat-square&label=stars&color=brightgreen&cacheSeconds=3600" alt="GitHub Stars"> </a>
<a href="https://github.com/Fausto-404/EFF-Monitoring/network/members"> <img src="https://img.shields.io/github/forks/Fausto-404/EFF-Monitoring?style=flat-square&label=forks&color=orange&cacheSeconds=3600" alt="GitHub Forks"> </a>
<a href="https://github.com/Fausto-404/EFF-Monitoring/releases"> <img src="https://img.shields.io/github/downloads/Fausto-404/EFF-Monitoring/total?style=flat-square&label=downloads&color=success&cacheSeconds=3600" alt="Downloads"> </a> </p>
</div>
EFF-Monitoring(Efficient Monitoring,高效监控)是一款面向安全运营场景的告警协作与 AI 研判平台。平台围绕安全事件全生命周期,提供内容解析、资产关联、智能研判、处置流转、经验沉淀、插件接入、备份迁移与报告输出等能力,通过证据驱动的分析与协同机制,帮助安全团队快速看懂告警、定位风险、联动上下游并提升处置效率。
---
详细功能操作与最佳实践请查看: 操作手册.md 浏览器插件请查看: EFF-Assistant
| 模块 | 主要能力 |
|---|---|
| 运营总览 | 告警总量、状态趋势、平均处置耗时、最近告警和运营统计 |
| 内容解析 | 原始日志解析、资产命中、IP 名单检测、模板输出、保存告警 |
| 告警工作台 | Hash 搜索、认领机制、状态流转、智能研判、威胁情报、资产上下文、闭环反馈、手动/自动刷新、服务端分页、CSV 导出 |
| AI 中心 | 威胁分析 / 通用问答 / 报告生成 Agent、快速 / 思考模式、Markdown 对话、会话记忆、执行链路/证据包查看、STE 经验库、AI 经验提取、AI 生成消息模板 |
| 资产中心 | 个体资产、网段资产、Excel 导入导出、资产指纹、负责人和区域维护 |
| 消息中心 | 工作流消息、未读提醒、按告警 Hash 快捷跳转 |
| 报告中心 | 报告新建、编辑、复制、导出 MD、删除,支持从模板和规则一键生成 |
| 规则中心 | 元规则、自定义规则、正则测试、设备规则适配、规则生成 |
| 模板中心 | 消息模板、Excel 模板、CSV 模板 |
| IP 名单 | 白名单、黑名单、CIDR/IP 范围检测、表格化维护、批量导入、名单导出 |
| 能力配置 | AI 模型网关、威胁情报、消息通知、浏览器插件接入的全员配置与个人配置,支持连通性测试、模型列表获取和插件 PAT 管理 |
| 系统管理 | 成员、设备、时间同步、备份与还原、审计日志、后台任务、历史导入 |
git clone --depth 1 --branch v2.2.1 https://github.com/Fausto-404/EFF-Monitoring.git && cd EFF-Monitoring && ./install.sh
install.sh 会检测 CPU 架构:ARM64 自动下载 eff-monitoring-v2.2.1-images-arm.tar,amd64/x86_64 自动下载 eff-monitoring-v2.2.1-images-amd.tar,然后导入镜像并自动生成安全密码。
脚本会在启动前检查 Docker、磁盘空间、CPU 架构和端口;默认使用 8000(API)和 8080(前端),端口被占用时会自动选择下一个可用端口,也可以手动指定:
./install.sh --api-port 8001 --web-port 8081
离线镜像包需要与目标机器 CPU 架构一致。Release 中应同时上传 arm 和 amd 两个架构的镜像包。
如果已经将镜像包下载到本地:
./deploy.sh --offline /path/to/eff-monitoring-v2.2.1-images.tar
该方式不会下载任何镜像,也不会执行镜像构建。
适合不想下载 600MB 以上离线镜像包、希望直接从源码构建镜像的场景。该方式需要目标机器能够访问 Docker 基础镜像和依赖包仓库。
复制环境变量模板并修改密码和密钥:
cp .env.example .env
至少修改 .env 中的以下配置:
POSTGRES_PASSWORD=请替换为随机密码
DATABASE_URL=postgresql+psycopg://eff:请替换为随机密码@eff-postgres:5432/eff_monitoring
JWT_SECRET=请替换为随机密钥
INITIAL_ADMIN_PASSWORD=请替换为管理员初始密码
然后启动服务:
docker compose up -d --build
该方式会根据 Dockerfile.backend、Dockerfile.frontend 和 docker-compose.yml 构建 API、Worker 和前端镜像;首次使用前必须完成 .env 配置。
发布制作者可按目标机器架构制作离线包:
./scripts/export-images.sh --platform linux/amd64 --output ./eff-monitoring-v2.2.1-images-amd.tar
./scripts/export-images.sh --platform linux/arm64 --output ./eff-monitoring-v2.2.1-images-arm.tar
打包脚本会在导出前校验镜像架构,普通用户不需要执行。
首次部署结束时请保存终端输出的管理员密码。密码同时保存在当前目录 .env 中。
默认访问地址(如果端口未被占用):
http://localhost:8080
http://localhost:8000/docs
http://localhost:8000http://localhost:8000/healthz默认打包配置为 ENABLE_DEMO_DATA=false,首次启动只初始化系统默认规则、内置模板和管理员账号,不自动写入演示告警、演示资产和演示用户。
如需快速验证平台能力,可在 .env 中设置:
ENABLE_DEMO_DATA=true
开启后,系统会自动初始化一组演示数据,便于快速验证功能:
demo_analyst / demo_viewer 等,密码通过 DEMO_USER_PASSWORD 环境变量配置(默认 demo123456)演示日志中的公网 IP 使用文档保留地址段,不包含真实客户 IP。
适配常见大模型 API、威胁情报和消息通知,支持个人配置覆盖全员配置。并支持浏览器插件PAT接入。 <img width="3002" height="1522" alt="image" src="https://github.com/user-attachments/assets/3849fa0a-844f-4eb0-ac57-386e7fb4b41b" />
高质量的安全运营协作平台,功能齐全
AI Skill Hub 为第三方内容聚合平台,本页面信息基于公开数据整理,不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后,再部署至生产环境,并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议,可商用,需保留版权声明和 NOTICE 文件,含专利授权条款。
经综合评估,EFF-Monitoring 在Agent工作流赛道中表现稳健,质量优秀。如果你已有明确的使用需求,可以直接上手体验;如果还在评估阶段,建议对比同类工具后再做决策。
| 原始名称 | EFF-Monitoring |
| 原始描述 | 开源AI工作流:EFF-Monitoring是一款以内置 Agent 为核心的安全运营协作平台。平台围绕安全事件全生命周期,提供日志解析、资产关联、AI研判、处置流转、经验沉淀。⭐25 · Python |
| Topics | 安全运营AI日志解析资产关联 |
| GitHub | https://github.com/Fausto-404/EFF-Monitoring |
| License | Apache-2.0 |
| 语言 | Python |
收录时间:2026-05-27 · 更新时间:2026-05-30 · License:Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。
选择 Agent 类型,复制安装指令后粘贴到对应客户端