Two autonomous AI SRE agents running on SigNoz’s Managed Cloud Platform (MCP) pinpoint a root-cause, post a summary to Slack, and finish the whole investigation in under 4 seconds, costing just $0.0013 per incident. The result is a shift from reactive chatbot queries to a self-driving observability workforce that slashes investigation spend while surfacing wasted metrics.
Mengapa ini penting
Demo pemerhatian-AI tradisional masih memerlukan manusia untuk menaip soalan tentang jejak (traces) atau log. Pendekatan baharu ini menghapuskan langkah tersebut: apabila amaran (alert) berbunyi, sistem akan menjalankan buku panduan (playbook) SRE yang terbukti secara automatik dan memberikan jawapan.
Hackathon yang melahirkan ejen-ejen ini
Ejen-ejen ini muncul daripada hackathon WeMakeDevs × Agents of SigNoz di bawah nama projek MIB (Men in Backend). Berbanding chatbot perbualan, pasukan ini membina "tenaga kerja pemerhatian autonomi" yang terdiri daripada dua ejen:
- Agent J – Responden Insiden – Mendengar amaran, kemudian mengikuti buku panduan lima langkah: mengesahkan amaran, mencari jejak yang bermasalah, meneliti log berkaitan, mengira delta, dan menghantar kad punca utama ke Slack. Urutan ini mengambil masa purata 3.7 saat.
- Agent K – Auditor – Menjalankan audit berjadual bagi penggunaan metrik, menandakan metrik yang melibatkan kos tetapi tidak digunakan, dan merangka perubahan papan pemuka (dashboard) untuk diluluskan oleh manusia.
Semasa hackathon tersebut, Agent K melaporkan bahawa 38% daripada metrik utama tidak pernah dibaca, mendedahkan pembaziran tersembunyi dalam timbunan (stack) pemerhatian.
Cara sistem ini berfungsi
Buku panduan deterministik, bukan gelung terbuka
Ejen-ejen ini mengikut buku panduan deterministik yang tetap dan bukannya penaakulan "agentic" berbentuk bebas. Setiap larian melaksanakan aliran kerja SRE yang diketahui—sahkan, jejak, log, delta—menghasilkan output yang konsisten dan mengelakkan ketidakpastian teks LLM yang tidak terkawal.
Tiga lapisan pemerhatian
- Lapisan aplikasi – Aplikasi yang dipantau menghantar aliran (stream) jejak, log, dan metrik ke SigNoz.
- Lapisan ejen – Setiap ejen menghantar span semantik yang dijana oleh GenAI miliknya kembali ke SigNoz, menjadikan ejen itu sendiri boleh diperhatikan.
- Lapisan telemetri MCP – Pelayan MCP merekodkan telemetri panggilan alat (tool-call), melengkapkan gelung maklum balas di mana SigNoz memerhatikan ejen yang memerhatikan SigNoz.
Enjin ramalan untuk cerapan pra-amaran
Satu proses latar belakang menilai trend setiap 25 saat. Apabila kadar kependaman (latency) atau kadar ralat melonjak, enjin tersebut meramalkan insiden sebelum ambang amaran dicapai, memberikan ejen-ejen tersebut kelebihan masa.
Hasil yang nyata
| Metrik | Hasil |
|---|---|
| Kos penyiasatan setiap larian | $0.0013 |
| Masa untuk analisis punca utama penuh | < 4 saat |
| Metrik utama yang tidak digunakan dikenal pasti | 38 % |
Pengajaran yang diperoleh di barisan hadapan
- Instrumentasi manual untuk span GenAI – Menambah instrumentasi eksplisit untuk menangkap output semantik AI memastikan data kekal tepat dan boleh dicari.
- Matikan mod "berfikir" – LLM yang cuba menjadi perbualan sering memotong JSON. Menyahaktifkan mod tersebut memaksa output yang ringkas dan boleh dibaca oleh mesin.
- Tampal dengan RFC 6902 – Menggunakan JSON-Patch (RFC 6902) pada platform Foundry membolehkan pasukan membaiki semakan kesihatan kontena dan parameter kependaman tanpa perlu melancarkan semula keseluruhan perkhidmatan.
Siapa yang akan mendapat manfaat, dan siapa yang mungkin berwaspada
Perusahaan yang sudah membayar untuk platform pemerhatian boleh melihat penjimatan dengan segera: pengurangan masa penganalisis dan penghapusan pengumpulan metrik yang tidak aktif.
Apa yang perlu diperhatikan seterusnya
Kod sumber terbuka untuk MIB ada di GitHub, dan video demo menunjukkan larian insiden yang lengkap.
Kesimpulan
Menyematkan dua ejen AI khusus secara terus ke dalam MCP SigNoz menunjukkan bahawa analisis punca utama autonomi boleh menjadi sangat pantas dan sangat murah. Pendekatan ini mengubah pemerhatian daripada alat pelaporan pasif kepada peserta aktif yang bertindak sebaik sahaja insiden muncul, menjimatkan masa, wang, dan kekecewaan manusia yang tidak dapat dielakkan semasa menyelongkar log selepas kejadian berlaku.