hertzbeat
HertzBeat 是一款由 Apache 孵化的新一代开源实时可观测性系统，旨在通过人工智能技术重塑监控体验。它将指标采集、数据分析、告警分发与通知管理整合于统一平台，帮助用户全面掌握系统运行状态。
面对传统监控工具部署复杂、数据分散及告警噪音大等痛点，HertzBeat 提供了高效的解决方案。其最显著的特点是“无代理（Agentless）”架构，无需在目标设备上安装额外软件即可快速启动监控，极大降低了维护成本。同时，它原生兼容 Prometheus 生态，支持高性能集群部署，并能灵活构建自定义监控面板与服务状态页。
引入 AI 能力是 HertzBeat 的核心亮点。它不仅具备智能管理与分析功能，还内置了 MCP Server 能力，能够通过更自然的交互方式辅助用户定位问题，提升运维效率。无论是需要构建稳定后端架构的开发者、负责系统稳定性的运维工程师，还是希望低成本搭建监控体系的技术团队，都能从中受益。如果你正在寻找一款既轻量强大又具备智能化前景的监控工具，HertzBeat 值得尝试。
使用场景
某电商平台的运维团队在“双十一”大促期间，需要实时监控数百个微服务、数据库及中间件的健康状态，以应对突发流量。
没有 hertzbeat 时
- 部署维护成本高：传统监控方案需在每台服务器安装 Agent，升级或配置变更时需逐台操作，耗时且易出错。
- 数据孤岛严重：指标数据分散在 Prometheus、Zabbix 等不同系统中，日志与监控割裂，故障排查时需多平台切换比对。
- 告警风暴频发：缺乏智能收敛机制，单一核心服务抖动引发成百上千条重复告警，掩盖了真正的根因。
- 响应滞后：依赖人工设定静态阈值，无法识别缓慢内存泄漏等渐进式故障，往往等到系统崩溃才介入。
- 自定义困难：针对新引入的私有协议组件，开发专用采集器周期长，导致监控盲区长期存在。
使用 hertzbeat 后
- 零代理快速接入：利用 hertzbeat 的无 Agent 架构，通过标准协议直接采集数百个节点数据，新服务上线分钟级完成监控覆盖。
- 统一可观测视图：hertzbeat 将指标、日志与状态页整合在同一平台，支持关联分析，工程师可一站式定位问题链路。
- AI 智能告警降噪：依托内置 AI 能力自动聚合同源告警并抑制风暴，精准推送根因通知，让值班人员聚焦核心异常。
- 动态异常检测：借助 AI 算法学习历史基线，自动识别流量突增或资源缓慢泄露等隐性风险，实现故障提前预警。
- 灵活自定义监控：通过 hertzbeat 强大的自定义模板功能，无需编写代码即可快速适配私有协议，消除监控死角。
hertzbeat 通过无代理架构与 AI 智能分析，将运维团队从繁琐的数据收集与告警噪音中解放出来，实现了从“被动救火”到“主动预防”的转型。
运行环境要求
- Linux
- Windows
- macOS
未说明
未说明
快速开始
首页：hertzbeat.apache.org
邮箱：点击此处订阅邮件列表
🎡 简介
Apache HertzBeat™ 是一款由 AI 驱动的下一代开源实时可观测性系统。它提供统一的指标与日志采集、集中式告警分发、智能化管理和分析功能。无需 Agent，具备高性能集群架构，并支持强大的自定义监控及状态页面构建能力。
特性
- 将 采集 + 分析 + 告警 + 通知 整合于同一平台，在 HertzBeat AI 的加持下新增了 AI 驱动的交互与功能，并内置 MCP 服务器能力。
- 统一指标平台，无代理设计，兼容 Prometheus，支持应用服务、程序、数据库、缓存、操作系统、大数据、中间件、Web 服务器、云原生、网络以及自定义监控等多种场景。
- 统一日志平台，通过 OTLP 协议无缝集成多种日志源进行上报。
- 统一告警平台，整合内部告警与各类外部告警源，实现告警的统一处理与分析，提供灵活的实时与周期性阈值规则、分组收敛、静默、抑制等功能。
- 统一消息分发，告警平台处理后的告警可通过
EmailDiscordSlackTelegram钉钉微信飞书SMSWebhookServerChan等多种方式分发。 - 支持对
Http, Jmx, Ssh, Snmp, Jdbc, Prometheus等协议进行配置，用户只需在线配置模板YML文件即可采集任意指标。想象一下，只需通过 HertzBeat 在线配置，就能快速适应 K8s 或 Docker 等新型监控需求。 - 高性能，支持多采集器集群的水平扩展，可实现多隔离网络监控及云边协同。
- 提供强大的状态页面构建能力，轻松向用户展示服务的实时状态。
HertzBeat 的统一平台、AI 智能、强大自定义能力、多类型支持、高性能以及易扩展性，旨在帮助用户快速便捷地满足可观测性需求。
🥐 架构
⛄ 支持的范围
我们将所有指标采集类型，如
mysql,jvm, 和k8s，定义为YML模板，用户可以导入这些模板以支持相应类型的监控。 欢迎大家在使用过程中贡献自己定制的通用指标类型 YML 模板。
- 网站、端口 Telnet、 Http Api、Ping 连通性、 Jvm、站点地图、 Ssl 证书、SpringBoot2、 FTP 服务器、SpringBoot3、 Udp 端口、Dns、 Pop3、Ntp、 Api Code、Smtp、 Nginx
- Mysql、PostgreSQL、 MariaDB、Redis、 ElasticSearch、SqlServer、 Oracle、MongoDB、 DM、OpenGauss、 ClickHouse、IoTDB、 Redis 集群、Redis 哨兵 Doris BE、Doris FE、 Memcached、NebulaGraph
- Linux、Ubuntu、 CentOS、Windows、 EulerOS、Fedora CoreOS、 OpenSUSE、Rocky Linux、 Red Hat、FreeBSD、 AlmaLinux、Debian Linux
- Tomcat、Nacos、 Zookeeper、RabbitMQ、 Flink、Kafka、 ShenYu、DynamicTp、 Jetty、ActiveMQ、 Spring Gateway、EMQX MQTT、 AirFlow、Hive、 Spark、Hadoop
- Kubernetes、Docker
- CiscoSwitch、HpeSwitch、 HuaweiSwitch、TpLinkSwitch、 H3cSwitch
- 以及更多自定义模板。
- 支持通知方式：
Discord、Slack、Telegram、Email、Dingtalk、WeChat、FeiShu、Webhook、SMS、ServerChan。
🐕 快速入门
- 如果您希望在本地部署 HertzBeat，请参阅以下部署文档以获取操作说明。
🍞 安装 HertzBeat
HertzBeat 支持通过源码、Docker 或软件包进行安装，CPU 架构支持 x86 和 arm64。
1：通过 Docker 快速安装
只需一条命令即可启动
docker run -d -p 1157:1157 -p 1158:1158 --name hertzbeat apache/hertzbeat访问
http://localhost:1157即可开始使用，默认账号：admin/hertzbeat部署采集器集群（可选）
docker run -d -e IDENTITY=custom-collector-name -e MANAGER_HOST=127.0.0.1 -e MANAGER_PORT=1158 --name hertzbeat-collector apache/hertzbeat-collector-e IDENTITY=custom-collector-name：设置采集器的唯一标识名称。-e MODE=public：设置运行模式（公有或私有），用于公有集群或私有云边环境。-e MANAGER_HOST=127.0.0.1：设置主 HertzBeat 服务器的 IP 地址。-e MANAGER_PORT=1158：设置主 HertzBeat 服务器的端口，默认为 1158。
详细配置请参考 通过 Docker 安装 HertzBeat
2：通过软件包安装
- 下载发布包
apache-hertzbeat-xx-bin.tar.gz下载 - 配置 HertzBeat 的配置文件
hertzbeat/config/application.yml（可选） - 执行命令
$ ./bin/startup.sh或bin/startup.bat - 访问
http://localhost:1157即可开始使用，默认账号：admin/hertzbeat - 部署采集器集群（可选）
- 在新机器上下载发布包
apache-hertzbeat-collector-xx-bin.tar.gz（JVM 采集器）或适用于您平台的原生采集器包，例如apache-hertzbeat-collector-native-xx-linux-amd64-bin.tar.gz或apache-hertzbeat-collector-native-xx-windows-amd64-bin.zip下载 - 配置采集器的配置文件
hertzbeat-collector/config/application.yml：设置唯一的identity名称、运行mode（公有或私有）、HertzBeat 的manager-host和manager-portcollector: dispatch: entrance: netty: enabled: true identity: ${IDENTITY:} mode: ${MODE:public} manager-host: ${MANAGER_HOST:127.0.0.1} manager-port: ${MANAGER_PORT:1158} - 如果在
ext-lib中未提供 JDBC 驱动程序，MySQL、MariaDB 和 OceanBase 可以使用内置查询引擎，并且也可以在原生采集器包上运行。TiDB 对其 SQL 查询指标集也遵循相同规则。 - 如果
ext-lib中存在mysql-connector-j，重启后，内置服务器采集器或 JVM 采集器会自动优先使用 JDBC 来连接 MySQL、MariaDB 和 OceanBase。TiDB 对其 SQL 查询指标集同样适用此规则，而其 HTTP 指标则不受影响。Oracle 和 DB2 仍需要 JVM 采集器包，因为它们依赖外部 JDBC 驱动程序。 - 对于 JVM 采集器包，执行
$ ./bin/startup.sh或bin/startup.bat。对于 Linux 或 macOS 原生采集器包，执行$ ./bin/startup.sh；对于 Windows 原生采集器包，则执行bin\\startup.bat。 - 访问
http://localhost:1157，您将在仪表板中看到已注册的新采集器。
- 在新机器上下载发布包
详细配置请参考 通过软件包安装 HertzBeat
3：通过源码启动
- 本地调试源码时，需要同时启动后端项目
hertzbeat-startup和前端项目web-app。 - 后端：需要
maven3+、java25、lombok，并在 IDE 中添加 VM 参数：--add-opens=java.base/java.nio=org.apache.arrow.memory.core,ALL-UNNAMED，然后启动hertzbeat-startup服务。 - 前端：需要
nodejs npm angular-cli环境，在后端启动后，在web-app目录下运行ng serve --open。 - 访问
http://localhost:4200即可开始使用，默认账号：admin/hertzbeat
详细步骤请参考 CONTRIBUTING
4：通过 Docker-compose 一次性安装 HertzBeat、PostgreSQL 和时序数据库
通过 docker-compose 部署脚本 一次性安装 PostgreSQL/MySQL 数据库、VictoriaMetrics/IoTDB/TDEngine 数据库以及 HertzBeat。
详细步骤请参考 通过 Docker-Compose 安装
5：通过 Kubernetes Helm Chart 一次性安装 HertzBeat、采集器、PostgreSQL 和时序数据库
在 Kubernetes 集群中使用 Helm Chart 部署 HertzBeat 集群。
详细步骤请参考 Artifact Hub
尽情享受吧
✨ 贡献者
感谢这些优秀的人士，欢迎加入我们：
贡献者指南
💬 参与讨论
交流渠道
加入邮件列表：发送邮件至 dev-subscribe@hertzbeat.apache.org 即可订阅邮件列表。
微信交流群：添加好友 ahertzbeat，邀请入群。
微信公众号：搜索 ID usthecom。
开源项目，源自开源
HertzBeat 基于众多优秀的开源项目构建而成，感谢这些项目！
Java Spring SpringBoot Jpa Maven Assembly Netty Lombok Sureness Protobuf HttpClient Guava SnakeYaml JsonPath ...TypeScript Angular NG-ZORRO NG-ALAIN NodeJs Npm Html Less Echarts Rxjs ZoneJs MonacoEditor SlickCarousel Docusaurus ...
生态图谱
HertzBeat 已被收录至
CNCF 可观测性与分析——可观测性生态图谱。
🛡️ 许可证
版本历史
v1.7.02025/04/02v1.6.12024/11/22v1.6.02024/05/141.8.02026/01/31v1.7.32025/08/31v1.7.22025/06/25v1.7.12025/05/29相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。