Tares Skill 技能

技能简介

Tares 是一款开源、自托管的「AI Agent 数据平面」，专注于为常驻运行的智能体提供统一的事件时间线与 MCP 接入能力。它把任意事件源（Prometheus、OTLP、GitHub、Vercel、Postgres 等）摄取到一个本地 DuckDB 文件中，按实体（service、job、user 等）聚合为一条完整时间线；当关键条件触发时立即唤醒 Agent，并把已经整理好的全量上下文直接推到 Claude Code、Cursor 或自有 Agent 面前，Agent 写回的结论（findings）会保留在时间线上供下一位读者复用。所有数据都留在本机，单 DuckDB 文件、零外部数据库、零遥测上报，MIT 协议开源。

核心能力

• 多源摄取：内置 Prometheus 远程写入、OTLP、GitHub Webhooks、Postgres CDC 等连接器，未来可自行扩展；每条事件按所属实体写入对应时间线。
• 常驻 Agent 触发：基于事件条件唤醒 Agent，触发时把完整上下文一起送达，0 次额外读取即可给出诊断。
• MCP 标准接入：内置 tares-mcp MCP 服务器，Claude Code、Cursor、自有 Agent 只需一次调用即可拉取某实体的相关历史，而不是走 N 次工具调用。
• findings 回贴：Agent 写回的结论（如「这是导致故障的提交 hash」「这是用户中断的根本原因」）自动落库，下一个查询该实体的人/Agent 直接看到。
• AI SRE 模板：内置「当告警触发即给出诊断」「PR 触发自动评审」等项目模板，控制台填几个问题即可启动。
• 本地化 + 零遥测：单个 DuckDB 文件即全部状态，备份即拷贝；唯一外发请求是用户配置的 Agent 调用模型时发出的，无任何内置遥测。

安装配置

• 环境要求：Python 3.11+；Linux/macOS/Windows 均可；Docker 可选；本机需要可用磁盘空间（视事件量而定，单实例通常 < 数 GB）。
• 一键安装：pip install tares 或 pipx install tares，无其他强制依赖（嵌入）。
• 配置 Claude Code 接入：在 .mcp.json 中加入 tares-mcp 启动命令，重启 Claude Code 即可在工具列表看到「读取某实体时间线」「订阅某类事件触发」等 MCP 工具。
• 配置数据源：在 Tares 控制台或配置文件添加 Prometheus remote write endpoint / OTLP 接收端 / GitHub webhook secret / Vercel deploy hook；事件即刻摄取。
• 配置模型：若启用 Tares 内置 AI Agent 或 Ask，需要提供 ANTHROPIC_API_KEY / OPENAI_API_KEY，或指向任意 OpenAI 兼容端点（LiteLLM、OpenRouter、Ollama、vLLM 都行）；MCP 只读访问不需要 Key。

使用步骤

• 步骤 1：在 Tares 控制台选模板（如 AI SRE / 项目上下文 / 失败任务分析），回答 3-4 个问题，点击「Start」即可创建项目。
• 步骤 2：模板自动为项目生成数据源、触发器与 Agent 三类组件，每类在控制台可独立编辑。
• 步骤 3：在 Claude Code 或 Cursor 中调用 MCP 接口查询某服务时间线（如「最近 24 小时 service-checkout 的所有事件」），Tares 一次返回完整时间线而非多次工具调用。
• 步骤 4：配置触发器（如 Prometheus alert 触发），Tares 接到告警后唤醒 Agent，并把该实体已整理好的上下文一起推送。
• 步骤 5：Agent 阅读上下文、调用诊断工具、把结论以 findings 形式写回 Tares 时间线，供下一位查询者复用。
• 步骤 6：通过 view-source 或 Tares Web UI 查看时间线 + findings 链路，确认根因分析是否完整、可追溯。

适用场景

• AI SRE / 值班：让 Claude Code/Cursor 在生产告警触发时直接拿到完整上下文并给出根因，而不是把 SRE 叫醒。
• 共享代码评审：Git 推送触发 Agent，自动评审相关代码改动并把结论写到项目时间线。
• 失败任务调试：定时任务、CI 流水线失败时，Agent 立刻拿到该 job 完整历史与日志，给出最小复现。
• 对话审计：把客户支持会话、Bot 互动按客户维度聚合为时间线，AI Agent 接手时可立刻了解「这位客户之前谈过什么」。
• 减少 MCP 调用次数：把分散在多个 MCP server 中的工具调用合并为「一次取回该实体全部历史」，显著降低 Agent 上下文消耗与延迟。
• 本地化、私有部署：金融、政务等强合规场景，所有事件、诊断全部留存在本机 DuckDB 文件中，可随时备份、迁移、删除。

适用人群

• SRE / 平台工程团队，希望把告警响应自动化
• 资深后端 / DevOps 工程师，把 CI 失败分析与值班工作流接入 AI Agent
• 安全运营 / 威胁分析师，需要可审计的 Agent 推理轨迹
• 数据/平台架构师，正在为多源事件构建统一查询层
• 任何已经在用 Claude Code / Cursor 且希望降低 MCP 工具调用次数的工程师

工作原理

Tares 的核心是一层极薄的 MCP 代理（tares-mcp）加一个嵌入式 DuckDB 实例：连接器负责摄取原始事件并按实体分桶写入时间线；触发器监听事件流并按规则唤醒 Agent；MCP 端点把「读取某实体时间线」「查询某段时间内事件」等事件暴露为 MCP 标准工具。Agent 调用时 Tares 把同一实体的多源数据（告警、日志、部署、提交等）一次性聚合返回，Agent 给出结论后再以 findings 形式落库。这种「AI 调度 + 数据平面」架构与「每个数据源挂一个 MCP server」的方案相比，N 次调用压缩为 1 次，且 Agent 的诊断结论能持续沉淀给后续读者，避免每次都从零推理。完整设计参见 docs.glassflow.ai/tares/concepts。

官方链接

• PyPI 包：https://pypi.org/project/tares/
• GitHub 仓库：https://github.com/glassflow/tares
• 官方主页：https://tares-glassflow.com
• 文档：https://docs.glassflow.ai/tares
• 协议：MIT License
• 当前版本：1.43.0rc1