AURA kjører SRE-agenter i din egen infrastruktur, definert i én TOML-fil

Betalingene feiler, og noen må finne ut hvorfor. I demoen Mezmo viser fram korrelerer tre spesialistagenter traces og logger fra Mezmo, latenstall fra Prometheus og utrullingshistorikk fra Kubernetes, peker på en N+1-regresjon innført i productcatalogservice 1.13.2, anbefaler rullback til 1.13.1 og leverer sjekkpunkter for gjenoppretting. Det er hele poenget med AURA, agentplattformen Mezmo nå har lagt ut på GitHub under Apache 2.0.

AURA begynte som Mezmos interne rigg for å drifte sin egen SaaS, og ifølge repoet bruker drifts- og utviklingsteamene den fortsatt i produksjon. Den driver også agent-sesjoner i Mezmos hostede observability-plattform. Det som skiller den fra et vanlig agent-rammeverk er hvor mye driftsansvar som ligger i selve plattformen: API-er, tilstandshåndtering, streaming, feilhåndtering og observability, alt innenfor grenser operatøren definerer.

Konfigurasjonen er systemet. Modeller, spesialistteam, prompter per agent, verktøy, godkjenningspolicyer og sikringer ligger i TOML du kan versjonskontrollere og kodegjennomgå. Leverandørbytte er en konfigurasjonsendring, ikke en omskriving: OpenAI, Anthropic, Bedrock, Gemini, Ollama og OpenRouter støttes, og ulike roller kan få ulike modeller. Med lokalt tilgjengelige modeller og MCP-servere kjører AURA også i luftgapede miljøer.

«AURA sender agent-prompter og verktøydata til modelleverandørene, MCP-serverne, godkjenningstjenestene, lagringsbackendene og tracing-destinasjonene du konfigurerer» — Mezmo, i AURAs egen sikkerhets- og datahåndteringsmodell

Den setningen er verdt å lese to ganger. Repoet er eksplisitt på at aktiverte klientsideverktøy og STDIO-prosesser kan starte egen nettverkstrafikk med mindre nettverkspolicy på systemnivå hindrer det, og at miljøvariabler kun holdes utenfor prompten når de refereres fra de designerte autentiseringsfeltene. Setter du dem inn i et felt som havner i prompten, ligger verdiene i modellkonteksten.

Sensitive verktøykall kan legges bak menneskelig godkjenning via webhook eller i samtalen, og avslag, tidsavbrudd og transportfeil håndteres fail-closed. All modell-, verktøy- og orkestreringsaktivitet kan eksporteres som OpenTelemetry-traces, slik at et resultat kan spores fra forespørsel til enkeltverktøykall. Verktøy oppdages fra MCP-servere over Streamable HTTP, SSE eller STDIO, og agentene kan grunnes mot Qdrant eller AWS Bedrock Knowledge Bases.

Integrasjonene går gjennom MCP: AWS, Azure, GCP, Kubernetes, Docker, Prometheus, Datadog, New Relic, Kafka, GitHub, GitLab, Jira, PagerDuty, Confluence og Notion. Du kan kjøre AURA som lokal chat i terminalen, som daemon med aura webserver koblet til overvåkingssystemene dine, som Docker-image, som Kubernetes-arbeidslast via Helm-chartet, eller embedde Rust-kjernen som bibliotek i din egen applikasjon. API-et er OpenAI-kompatibelt, så klienter som LibreChat og OpenWebUI fungerer uendret.

Hva bør du gjøre?

1. Installer med install-skriptet på Linux eller macOS, som laster ned release-artefaktene og verifiserer sjekksummene. Kjør aura init for å velge modelleverandør og skrive den første konfigurasjonen, og start med aura.
2. Koble til Prometheus- eller Kubernetes-MCP-serveren først og la agenten bare lese. Godkjenningspolicyene er der for skrivende verktøykall, og de er lettere å skru på fra start enn å ettermontere.
3. Les sikkerhets- og datahåndteringsmodellen i repoet før du kobler AURA til produksjon, spesielt avsnittet om prompt-injeksjon og hvilke konfigurasjonsfelter som legger miljøvariabler inn i modellkonteksten.