使用Claude Code开发自动化服务器健康检查工具

1. 项目背景与核心价值

最近在运维工作中发现一个痛点：每次服务器巡检都需要手动执行十几条命令，检查CPU、内存、磁盘、网络等基础指标。这种重复劳动既耗时又容易遗漏关键指标。正好看到Claude Code这个AI编程助手的演示视频，决定尝试让它帮我写个自动化健康检查的Skill。

Claude Code是Anthropic公司推出的AI编程工具，它能够理解自然语言描述的需求并生成可运行的代码。与传统的代码补全工具不同，Claude Code特别适合快速开发小型功能模块（他们称之为"Skill"）。我花了大约2小时与它交互调试，最终产出的运维检查工具已经稳定运行了三周，效果超出预期。

这个Skill的核心功能包括：

• 自动收集服务器基础指标（CPU/内存/磁盘使用率）
• 检测关键服务进程状态
• 检查网络连通性
• 生成可视化报告
• 异常阈值告警

2. 开发环境准备与Claude Code配置

2.1 基础环境搭建

首先需要准备Python 3.8+环境，这是Claude Code目前主要支持的语言。建议使用virtualenv创建隔离环境：

bash复制python -m venv claude_env
source claude_env/bin/activate  # Linux/Mac
# 或 claude_env\Scripts\activate  # Windows

安装Claude Code的VS Code插件：

1. 打开VS Code扩展市场
2. 搜索"Claude Code"
3. 安装官方插件（注意识别Anthropic官方出品）
4. 重启VS Code后侧边栏会出现Claude图标

注意：部分区域可能需要特殊网络配置才能访问Claude服务。如果遇到连接问题，可以尝试检查本地代理设置或联系网络管理员。

2.2 Skill项目初始化

在VS Code中新建目录，通过Claude面板输入：

code复制/create skill named ops_health_check

这会生成基础项目结构：

code复制ops_health_check/
├── skill.yaml    # Skill元数据
├── main.py       # 主逻辑文件
└── test/
    └── test_main.py  # 测试用例

编辑skill.yaml配置基础信息：

yaml复制name: ops_health_check
version: 0.1.0
description: Automated server health check tool
entry_point: main.py
requirements:
  - psutil>=5.8.0
  - requests>=2.26.0

3. 核心功能开发过程

3.1 系统指标采集模块

向Claude Code输入提示词：

code复制帮我写一个Python函数，使用psutil获取以下系统指标：
- CPU使用率（1秒间隔）
- 内存使用率（包括swap）
- 磁盘使用率（所有挂载点）
- 最近1/5/15分钟负载
函数返回结构化的字典数据

生成的代码经过微调后：

python复制import psutil

def get_system_metrics():
    metrics = {
        'cpu': {
            'percent': psutil.cpu_percent(interval=1),
            'load_avg': [x / psutil.cpu_count() for x in psutil.getloadavg()]
        },
        'memory': {
            'total': psutil.virtual_memory().total,
            'available': psutil.virtual_memory().available,
            'percent': psutil.virtual_memory().percent,
            'swap': psutil.swap_memory().percent
        },
        'disks': []
    }
    
    for part in psutil.disk_partitions():
        if part.fstype:  # 忽略特殊文件系统
            usage = psutil.disk_usage(part.mountpoint)
            metrics['disks'].append({
                'mount': part.mountpoint,
                'total': usage.total,
                'used': usage.used,
                'percent': usage.percent
            })
    
    return metrics

3.2 服务状态检查模块

通过Claude Code补充服务检测逻辑：

python复制import subprocess

def check_service(service_name):
    try:
        # 适配不同Linux发行版
        if subprocess.run(['which', 'systemctl'], 
                         stdout=subprocess.PIPE).returncode == 0:
            cmd = ['systemctl', 'is-active', service_name]
        else:
            cmd = ['service', service_name, 'status']
            
        result = subprocess.run(cmd, 
                              stdout=subprocess.PIPE,
                              stderr=subprocess.PIPE,
                              text=True)
        return 'active' in result.stdout.lower()
    except Exception as e:
        print(f"Check service error: {e}")
        return False

3.3 网络连通性测试

Claude Code生成的网络检查模块需要手动优化重试逻辑：

python复制import socket
import requests
from urllib.parse import urlparse

def network_check(targets):
    results = {}
    for name, target in targets.items():
        if target.startswith(('http://', 'https://')):
            # HTTP检查
            try:
                r = requests.head(target, timeout=5)
                results[name] = r.status_code < 400
            except:
                results[name] = False
        else:
            # 端口检查
            try:
                host, port = target.split(':')
                with socket.create_connection((host, int(port)), timeout=5):
                    results[name] = True
            except:
                results[name] = False
    return results

4. 功能集成与异常处理

4.1 主逻辑编排

将各模块组合成完整工作流：

python复制def health_check(config):
    report = {
        'timestamp': datetime.now().isoformat(),
        'system': get_system_metrics(),
        'services': {},
        'network': network_check(config['network_targets'])
    }
    
    for service in config['monitored_services']:
        report['services'][service] = check_service(service)
    
    # 阈值检查
    report['alerts'] = check_thresholds(report, config['thresholds'])
    
    return report

4.2 告警阈值实现

Claude Code最初生成的阈值检查不够灵活，改进后：

python复制def check_thresholds(report, thresholds):
    alerts = []
    
    # CPU检查
    if report['system']['cpu']['percent'] > thresholds.get('cpu', 90):
        alerts.append(f"CPU使用率过高: {report['system']['cpu']['percent']}%")
    
    # 内存检查
    if report['system']['memory']['percent'] > thresholds.get('memory', 85):
        alerts.append(f"内存使用率过高: {report['system']['memory']['percent']}%")
    
    # 磁盘检查
    for disk in report['system']['disks']:
        if disk['percent'] > thresholds.get('disk', 90):
            alerts.append(f"磁盘 {disk['mount']} 使用率过高: {disk['percent']}%")
    
    # 服务检查
    for name, status in report['services'].items():
        if not status:
            alerts.append(f"服务 {name} 未运行")
    
    return alerts

5. 部署与使用实践

5.1 配置管理

创建config.yaml配置文件：

yaml复制monitored_services:
  - nginx
  - postgresql
  - redis-server

network_targets:
  google_dns: '8.8.8.8:53'
  internal_api: 'https://api.internal.com/health'

thresholds:
  cpu: 85
  memory: 80
  disk: 90

5.2 定时执行方案

使用systemd timer实现定时检查（Claude Code生成的单元文件需要手动调整）：

/etc/systemd/system/ops-health-check.service:

ini复制[Unit]
Description=Ops Health Check Skill
After=network.target

[Service]
Type=oneshot
ExecStart=/path/to/venv/bin/python /path/to/main.py
User=ops
EnvironmentFile=/etc/default/ops-health-check

/etc/systemd/system/ops-health-check.timer:

ini复制[Unit]
Description=Run health check every 15 minutes

[Timer]
OnCalendar=*:0/15
Persistent=true

[Install]
WantedBy=timers.target

启用服务：

bash复制sudo systemctl daemon-reload
sudo systemctl enable --now ops-health-check.timer

5.3 结果可视化

Claude Code生成的HTML报告模板经过美化后：

python复制def generate_html(report):
    return f"""
    <!DOCTYPE html>
    <html>
    <head>
        <title>Health Report - {report['timestamp']}</title>
        <style>
            .alert {{ color: red; font-weight: bold; }}
            table {{ border-collapse: collapse; width: 100%; }}
            th, td {{ border: 1px solid #ddd; padding: 8px; text-align: left; }}
            tr:nth-child(even) {{ background-color: #f2f2f2; }}
        </style>
    </head>
    <body>
        <h1>System Health Report</h1>
        <p>Generated at: {report['timestamp']}</p>
        
        {''.join(f'<p class="alert">{alert}</p>' for alert in report['alerts'])}
        
        <h2>CPU</h2>
        <p>Usage: {report['system']['cpu']['percent']}%</p>
        <p>Load Average: {', '.join(f'{x:.2f}' for x in report['system']['cpu']['load_avg'])}</p>
        
        <h2>Memory</h2>
        <p>Usage: {report['system']['memory']['percent']}%</p>
        <p>Swap: {report['system']['memory']['swap']}%</p>
        
        <h2>Disks</h2>
        <table>
            <tr><th>Mount</th><th>Used</th><th>Total</th><th>Percent</th></tr>
            {"".join(
                f"<tr><td>{d['mount']}</td><td>{d['used']/1024/1024:.1f}MB</td>"
                f"<td>{d['total']/1024/1024:.1f}MB</td><td>{d['percent']}%</td></tr>"
                for d in report['system']['disks']
            )}
        </table>
        
        <h2>Services</h2>
        <ul>
            {"".join(
                f"<li>{name}: {'✅' if status else '❌'}</li>"
                for name, status in report['services'].items()
            )}
        </ul>
    </body>
    </html>
    """

6. 实际使用中的经验总结

经过三周的实践运行，这个自动生成的运维检查Skill已经成功捕获了4次潜在问题。以下是几个关键经验：

1. 指标采样频率优化：最初设置的1秒CPU采样在高负载场景会导致检查耗时过长，调整为3秒后取得更好平衡。

2. 服务检测兼容性：发现systemctl检测在某些容器环境中不可用，增加了fallback到pgrep的检测逻辑：

python复制def check_service(service_name):
    # ...原有检测逻辑...
    if result is None:  # 前两种方法都失败时
        try:
            subprocess.run(['pgrep', '-f', service_name], check=True)
            return True
        except:
            return False

3. 网络检查的DNS缓存问题：发现连续的网络检查可能受到DNS缓存影响，在network_check函数开头添加：

python复制socket.gethostbyname.cache_clear()  # 清除DNS缓存

4. 告警风暴抑制：当某个服务频繁启停时会导致告警刷屏，增加了简单的告警冷却机制：

python复制alert_cooldown = {}  # 全局变量

def check_thresholds(report, thresholds):
    global alert_cooldown
    alerts = []
    now = time.time()
    
    # CPU检查示例
    if (report['system']['cpu']['percent'] > thresholds.get('cpu', 90) 
            and now - alert_cooldown.get('cpu', 0) > 300):  # 5分钟冷却
        alerts.append(f"CPU使用率过高: {report['system']['cpu']['percent']}%")
        alert_cooldown['cpu'] = now
    # ...其他检查...

5. 日志轮转配置：Claude Code没有自动生成日志管理配置，手动添加了logrotate配置：

bash复制/path/to/health_check.log {
    daily
    rotate 7
    compress
    missingok
    notifempty
}

这个项目最让我惊讶的是，Claude Code不仅能生成可运行的代码，还能理解运维场景的特殊需求。比如当我说"需要考虑容器环境的特殊情况"时，它能主动建议使用/proc文件系统作为fallback检测方案。当然，最终的实现还是需要人工审核和调整，但至少节省了70%的基础编码时间。