AI 增强

三铁律（不可妥协，来自竞品尸检）：

默认关闭：不配置 providers 即纯 L0，一个字节都不多跑。
永不闸门：AI 无权拦截事件、无权升 severity——它只能往事件上"贴东西"（摘要/标签/降级建议）。摘除 AI，通知照发。
2 秒降级：超时/失败/预算熔断 → 直接走 L0 模板，事件与通知零影响。

三档能力

档	实现	用途	成本	状态
L0	四道闸 + 纯算法（EWMA/相似聚合/共因归并/依赖抑制）	规则反射：去抖、聚合、冷却	零	永远在线
L1	System One 决策模型（进程外本地推理）	毫秒级分诊：误报？正常波动？需关注？	本地 CPU，免费	✅ 已实现，默认关闭
L2	openai_compat Analyzer（OpenAI 兼容端点）	生成式摘要、语义标签、降级建议	云 API / 局域网 LLM	✅ 已实现，配置即用

AI 结论以追加式标签落事件（如 ai_decision / ai_decision_confidence / ai_summary）；severity 建议只降不升（ADR 纪律），原值记入 ai_severity_from。

L2：OpenAI 兼容摘要（配置即用）

任何 OpenAI 兼容端点（DeepSeek / 通义 / OpenAI / 远程 Ollama）：

ai:
  daily_budget: 100        # 两档 analyzer 共享（UTC 日计数；0 = AI 全关）
  providers:
    - name: deepseek
      base_url: "https://api.deepseek.com"
      api_key: "enc:..."   # 支持 enc: 密文
      model: "deepseek-chat"
      timeout_seconds: 2   # 2 秒铁律

内置五机制（对 Analyzer 透明）：

机制	说明
漏斗分级触发	四闸 + L0 在链前段，只有过闸事件才到达 AI（结构性把调用量压到个位数百分比）
簇级批量	请求单位 = dedup 簇（同簇上游已被闸合并，一次推理覆盖 N 条）
语义缓存	按 dedup_key TTL 缓存复用结论，重复告警不重复花钱
日预算熔断	`ai.daily_budget` 触顶发 `mibee-bell/ai.budget_exhausted` 内部事件走普通管道（配条规则即可收到提醒）
反馈闭环	feedback API 已备；参数回写规划 v1.0

指标：bell_ai_calls_total{analyzer,result=ok|error|cache_hit|budget_skipped}。

L1：本地分诊（System One 决策模型）

不生成文本：给一个状态 + 类型化问题，单次前向返回校准过置信度的分类决策（误报 / 正常波动 / 需关注），毫秒级、纯 CPU。模型推理在进程外跑（保持 Bell CGO_ENABLED=0 与树莓派兼容），Bell 只发 HTTP。

ai:
  daily_budget: 100
  decision:
    enabled: true
    base_url: "http://<lan-box>:8000"   # laya-serve 端点
    model: multilingual                  # 中文告警必须固定（多语种 checkpoint）
    timeout_seconds: 5                   # 弱宿主建议 5（完整载荷实测 ~2s 贴边）
    min_confidence: 0.7                  # 置信度达标才允许降级建议

端点侧一次性部署（Apache-2.0 开放权重，多语种 checkpoint 含中文）：

pip install "laya[serve]"
git clone https://github.com/NandhaKishorM/laya && cd laya
python examples/server.py --device cpu --host 0.0.0.0 --port 8000

中文分诊实测（18 例定向集）：判据措辞定稿后命中 72%、危险错判 0——全部方向性错误置信 ≤0.36，被 0.7 门槛全数拦截。降级安全 = 判据措辞 + 置信门槛双保险，缺一不可；生产启用前建议用自家真实告警流扩样验证。

自定义分诊问题：instructions + criteria + downgrade_choices 完全可配（例如把"光影误报"换成服务器场景的"磁盘满/进程崩溃"）。要点：downgrade_choices 只放确定不想被打扰的类别；min_confidence 是降噪与漏报之间的旋钮。

http_enrich：用任何语言写"算法微服务"

免编译的运行时扩展轴（M9）：POST 事件给任意 HTTP 服务，返回 {"tags":{...},"summary":"..."} 即完成外部打标——tags 追加不覆盖、summary 前置正文、10s 超时 fail-open（失败跳过，链继续）：

enrich:
  - name: cmdb
    url: http://steward:8080/api/enrich
    timeout_seconds: 5

指标 bell_enrich_total{instance,result}。与 AI 同款哲学：增强不闸门。

挂载顺序

tier 1 决策模型先于 L2 云端 provider（本地更便宜）；enrich 挂点按注册顺序调用、首个成功者生效，L2 自动成为决策服务不可用时的回退。