health-inspection-report-generation

name	health-inspection-report-generation
description	专业的健康巡检预测分析和报告生成 skill。当前置节点已生成1个或多个巡检结果数据文件时，用户要求基于这些检查结果，进行磁盘健康预测的综合分析、潜在风险预测，并生成最终结构化的磁盘健康巡检预测报告时，必须使用此 skill。

磁盘健康巡检预测分析和报告生成 Skill

本技能通过对前置节点收集的系统巡检数据（如 SMART 数据、RAID 状态、系统负载、文件系统状态等）进行分析，评估当前服务器磁盘的整体健康度，预测潜在的物理介质损坏和逻辑异常风险，并生成标准化的巡检与预测报告。

重要原则：本 skill 与故障分析（RCA）不同，其核心在于“防患于未然”。分析需侧重于趋势预测、坏道劣化速度预警以及配置规范检查。

---

文件结构

health-inspection-report-generation/
└── SKILL.md                    # 巡检与预测分析报告生成流程文档

---

分析流程

阶段一：数据收集与状态标记 (Data Collection & Status Marking)

步骤 1：输入数据解析

读取当前任务输入的1个或多个巡检结果数据文件。 提取收集的各类指标数据（包括但不限于：OS 层面的文件系统状态、磁盘 IO 延迟；底层 RAID 控制器状态；以及物理磁盘的 SMART 数据等），并归一化为内部检查项实体。

步骤 2：时间基准与状态评估

• 提取各检查项的时间戳，统一时区，作为当前系统状态的“快照时间”。
• 强制约束：时间必须格式化为绝对时间，如 YYYY-MM-DD HH:MM:SS。
• 将所有检查项基于历史基线和规范，分为以下状态类别：
  • ✅ 正常 (Healthy)：SMART 指标在安全水位内，RAID 状态正常。
  • ⚠️ 警告 (Warning)：指标逼近阈值（如 G-list 坏道开始增长，或 NVMe 温度偏高）。
  • ❌ 异常 (Critical)：指标已超阈值（如触发不可修复错误），或文件系统变为只读。

---

阶段二：多文件综合趋势预测与风险分析

在拥有多个维度的巡检数据文件时，必须进行跨文件综合分析，并严格遵守以下分析方法论：

1. 全面性与系统性 (Comprehensive Analysis)

• 拒绝信息孤岛：必须遍历所有输入的巡检文件，绝不能遗漏任何一个磁盘、RAID 控制器或文件系统的检查结果。
• 全栈覆盖：将 OS 层、控制链路层与底层物理 SMART 层指标综合在一个视图中考虑。

2. 优先级与风险分级 (Priority & Stratification)

• 主次分明：根据对数据安全的威胁程度，严格区分风险级别：
  • 致命故障/高危风险 (P0/P1)：不可修复错误增加、介质彻底损坏、RAID 降级。
  • 亚健康状态 (P2/P3)：坏道 (G-list) 开始爬升、链路偶尔重置、硬盘温度偏高。
• 报告中必须将高优问题置顶，不可让次要的维护建议淹没致命的风险。

3. 跨维度关联与因果联系 (Cross-Correlation & Causality)

• 时间线关联：若不同文件中的异常发生在相近的时间点（如 A 文件中发现 link reset，B 文件中出现 fsck），必须在分析中将其联系起来。
• 层级因果关联：若底层出现介质坏道（L1），导致上层 IO 报错（L5），需要预测出这种“级联雪崩”的风险。
• 逻辑推断：切忌只做简单的“阈值对比”，必须通过关联信息，推断出潜藏的根本性隐患（例如：温度升高 -> 物理介质加速老化 -> 坏道增加）。

步骤 1：寿命与损坏速度预测

• 基于跨文件的时间序列数据或近期指标斜率，预测磁盘剩余寿命或彻底损坏的时间点。
• 例如：结合文件 A 的写入量与文件 B 的坏道增长曲线，预测出 预计在 14 天后由于坏道超限引发离线。

步骤 2：隐患挖掘与风险链条

• 分析是否存在长期的隐性问题，如：内核日志中偶尔出现的 I/O error 记录、温度长期在临界值徘徊等。
• 将这些隐患与具体的业务挂载点关联，评估未来可能引发的“数据丢失传播链条”。

---

阶段三：输出标准健康巡检报告

巡检报告需客观、直观，并且对发现的隐患给出可操作的整改建议。 最终报告必须以标准的 Markdown (.md) 格式输出。报告必须同时展示在对话界面，并写入本地的 Markdown 文件中。报告内的所有表格内容必须严格使用标准的 Markdown 表格格式进行展示，以保证在各类 Markdown 渲染器下的正确显示。

二、分层检测体系

磁盘故障预测应覆盖 6 个层次，不能只看盘本体。

┌────────────────────────────────────────────────────┐
│  L6  业务与存储服务层  OSD / EVS / ECS / 块存储       │
├────────────────────────────────────────────────────┤
│  L5  文件系统与OS层    dmesg / kernel / mount        │
├────────────────────────────────────────────────────┤
│  L4  控制器与链路层    RAID / HBA / SAS / CRC        │
├────────────────────────────────────────────────────┤
│  L3  槽位与环境层      Slot / 温度 / 背板 / 电源       │
├────────────────────────────────────────────────────┤
│  L2  寿命与负载层      上电时间 / 启停次数 / IO压力     │
├────────────────────────────────────────────────────┤
│  L1  盘本体 SMART 层   健康状态 / 错误计数 / 缺陷趋势   │
└────────────────────────────────────────────────────┘
            ↑  越往下越接近介质本身，越往上越接近业务影响

预测重点：L1 + L3 + 趋势维度，是提前发现故障最有价值的三个方向。

# 服务器磁盘健康预测与综合巡检报告

## 分层检测体系说明

磁盘故障预测覆盖以下 6 个层次：
```text
┌────────────────────────────────────────────────────┐
│  L6  业务与存储服务层  OSD / EVS / ECS / 块存储       │
├────────────────────────────────────────────────────┤
│  L5  文件系统与OS层    dmesg / kernel / mount        │
├────────────────────────────────────────────────────┤
│  L4  控制器与链路层    RAID / HBA / SAS / CRC        │
├────────────────────────────────────────────────────┤
│  L3  槽位与环境层      Slot / 温度 / 背板 / 电源       │
├────────────────────────────────────────────────────┤
│  L2  寿命与负载层      上电时间 / 启停次数 / IO压力     │
├────────────────────────────────────────────────────┤
│  L1  盘本体 SMART 层   健康状态 / 错误计数 / 缺陷趋势   │
└────────────────────────────────────────────────────┘
            ↑  越往下越接近介质本身，越往上越接近业务影响

基本信息

• 检测执行时间：[YYYY-MM-DD HH:MM:SS]
• 报告类型：[日常巡检 / 节前大促评估 / 容量评估]
• 整体健康度：[🟢 优秀 / 🟡 良好(有隐患) / 🔴 较差(需立即整改)]

第一部分：硬件健康综述

1. 磁盘清单总览

注意：本清单必须包含服务器上检测到的所有磁盘，绝不能省略任何一块盘的信息。

设备	槽位	类型	型号	序列号	容量	通电(h)	健康状态
[如/dev/sda]	[Slot]	[类型]	[型号]	[序列号]	[容量]	[通电]	[✅/⚠️/❌]
[如/dev/sdb]	[Slot]	[类型]	[型号]	[序列号]	[容量]	[通电]	[✅/⚠️/❌]
...	...	...	...	...	...	...	...

• PASSED 带 ⚠️ 表示 SMART 整体健康通过，但存在亚健康指标，详见第三部分

2. 核心组件状态

组件名称	当前状态	详情说明
RAID 控制器	[✅ 正常 / ⚠️ 降级]	[说明]
文件系统 (/)	[✅ 正常 / ❌ 只读]	[说明]
环境温度	[✅ 正常 / ❌ 超温高危]	[说明]
电源/风扇	[✅ 正常]	[说明]

第二部分：故障深度分析（已发生故障，需立即处置）

1. 故障磁盘汇总

设备	槽位	序列号	故障级别	核心建议
[设备名]	[槽位]	[序列号]	[P0 致命故障]	[例如：立即换盘]
[设备名]	[槽位]	[序列号]	[P0 致命故障]	[例如：离线检修]

2. 故障详情与归因分析

以下针对上述汇总中的每块故障磁盘分别进行分析：

设备：[设备名] (SN: [序列号] | Slot: [槽位])

▶ 故障链路与归因分析： [例如：L3 超温 → L1 介质坏道 → L5 内核 I/O 报错 → L5 文件系统只读 → 人工干预恢复]

1. [环境层 L3]：[分析说明]
2. [介质层 L1]：[分析说明]
3. [系统层 L5]：[分析说明]

▶ 故障时间线 (Timeline)：

• [YYYY-MM-DD HH:MM:SS] [异常] L4 链路重置: ata1.00 hard resetting link
• [YYYY-MM-DD HH:MM:SS] [故障] L1 介质坏道: ID198 Offline_Uncorrectable = 5
• [YYYY-MM-DD HH:MM:SS] [故障] L5 I/O报错: blk_update_request: I/O error

▶ 修复状态评估：

• 文件系统 fsck：[✅/❌ 评估结论]
• 物理介质坏道：[✅/❌ 评估结论]
• 高温环境根因：[✅/❌ 评估结论]
• ⚠️ 结论：[综合评估建议]

设备：[另一设备名] (如果有多个故障盘，依次列出)

...

第三部分：亚健康风险清单

本部分汇总处于亚健康状态（P1/P2/P3）的磁盘及相应的异常指标清单。

风险级别	设备	槽位	异常指标 (层级)	当前值	阈值/趋势	风险说明及建议
[P1 高危]	[设备名]	[槽位]	[如 G-list (L1)]	[值]	[趋势分析]	[详细说明，如：建议 7 天内计划换盘]
[P2 重点]	[设备名]	[槽位]	[如 链路重置 (L4)]	[值]	[趋势分析]	[详细说明，如：建议 14 天内持续观察]
[P3 背景]	[设备名]	[槽位]	[如 通电时间 (L2)]	[值]	[趋势分析]	[详细说明，如：记录在案，例行关注]
...	...	...	...	...	...	...

第四部分：综合结论与行动建议

🔴 [全局警告]：[针对当前最严重情况的警告，如 RAID 降级无冗余保护等]

分级行动执行表：

级别	设备	建议行动步骤	截止要求
P0	[设备名]	1. [建议操作 1，如：立即停止写入] 2. [建议操作 2，如：核查数据完整性] 3. [建议操作 3，如：提交换盘工单]	[立即执行] [4小时内]
P1	[设备名]	1. [建议操作 1] 2. [建议操作 2]	[24小时内] [7天内]
P2	[设备名]	1. [建议操作 1]	[下一窗口]