Мы готовы провести персональную демонстрацию решения под ваш запрос
Заполните форму
ИИ-агенты и MCP: новые возможности наблюдаемости ИТ-инфраструктуры
ИИ-агенты все активнее применяются для решения ИТ-задач, но их возможности в корпоративной среде зависят не только от языковой модели, но и от доступа к актуальным данным. Когда возникает сбой или замедляется работа сервиса, специалисту необходимо собрать информацию из метрик, логов и трассировок, сопоставить ее и понять, где искать причину. Без контекста работающей инфраструктуры даже сильная модель может предложить лишь общие варианты решения, не опираясь на фактическое состояние системы.
Один из способов связать ИИ с корпоративными системами — Model Context Protocol (MCP), стандартизирующий взаимодействие ИИ-приложений с внешними инструментами и источниками данных. Благодаря ему совместимые ИИ-ассистенты могут обращаться к корпоративным системам, получать необходимые сведения и использовать результаты запросов для дальнейшего исследования задачи.
О том, как этот подход применяется в наблюдаемости и какие возможности он открывает для ИТ-команд, рассказал Игорь Пустоветов, генеральный директор GMONIT.
О том, как этот подход применяется в наблюдаемости и какие возможности он открывает для ИТ-команд, рассказал Игорь Пустоветов, генеральный директор GMONIT.
ИИ-агенту нужен контекст работающей системы
При разборе инцидента важно не только обнаружить отклонение, но и понять, что происходит с системой в целом. Рост времени отклика может быть связан с нагрузкой на отдельный сервис, проблемами взаимодействия между компонентами или ошибками запросов. Чтобы разобраться в ситуации, инженеру приходится обращаться к разным источникам данных и последовательно восстанавливать картину происходящего.
Метрики показывают динамику и отклонения от обычных значений, логи помогают изучить события и ошибки, а трассировки позволяют проследить прохождение запросов между компонентами. Вместе они дают более полное представление о проблеме. Например, метрика может указать на рост задержки, логи — показать сопутствующие ошибки, а трассировка — помочь определить, на каком этапе обработки запроса возникло замедление.
Для ИИ-агента важно не только получить эти данные, но и использовать их в последовательном исследовании ситуации. Обнаруженное отклонение становится отправной точкой для следующего вопроса: какие сервисы затронуты, когда началось изменение, какие ошибки наблюдались в тот же период? Полученные сведения помогают определить, что проверять дальше. Так агент может переходить от общего запроса к более конкретным шагам, опираясь на результаты предыдущих обращений.
Метрики показывают динамику и отклонения от обычных значений, логи помогают изучить события и ошибки, а трассировки позволяют проследить прохождение запросов между компонентами. Вместе они дают более полное представление о проблеме. Например, метрика может указать на рост задержки, логи — показать сопутствующие ошибки, а трассировка — помочь определить, на каком этапе обработки запроса возникло замедление.
Для ИИ-агента важно не только получить эти данные, но и использовать их в последовательном исследовании ситуации. Обнаруженное отклонение становится отправной точкой для следующего вопроса: какие сервисы затронуты, когда началось изменение, какие ошибки наблюдались в тот же период? Полученные сведения помогают определить, что проверять дальше. Так агент может переходить от общего запроса к более конкретным шагам, опираясь на результаты предыдущих обращений.
Какую роль играет MCP
Model Context Protocol задает стандартизированный механизм взаимодействия ИИ-приложений с внешними инструментами и источниками данных. Он упрощает подключение корпоративных систем к совместимым ИИ-клиентам и позволяет использовать единый способ взаимодействия вместо разработки отдельного механизма для каждого ассистента.
В наблюдаемости MCP позволяет предоставить ИИ доступ к данным и функциям подключенной платформы. Агент может обратиться к доступному инструменту, получить результат и использовать его для следующего шага. Например, после обнаружения задержек запросить дополнительные сведения о затронутых компонентах, если такие данные доступны через интеграцию.
При этом сам протокол не определяет причину инцидента и не гарантирует правильность вывода. Он обеспечивает взаимодействие, а возможности расследования зависят от того, какие данные, инструменты и инструкции доступны ИИ-ассистенту. Поэтому важно не просто подключить модель к источнику информации, но и предусмотреть понятные способы работы с данными.
В наблюдаемости MCP позволяет предоставить ИИ доступ к данным и функциям подключенной платформы. Агент может обратиться к доступному инструменту, получить результат и использовать его для следующего шага. Например, после обнаружения задержек запросить дополнительные сведения о затронутых компонентах, если такие данные доступны через интеграцию.
При этом сам протокол не определяет причину инцидента и не гарантирует правильность вывода. Он обеспечивает взаимодействие, а возможности расследования зависят от того, какие данные, инструменты и инструкции доступны ИИ-ассистенту. Поэтому важно не просто подключить модель к источнику информации, но и предусмотреть понятные способы работы с данными.
От доступа к данным — к расследованию
Такой сценарий можно реализовать на практике. Например, в GMONIT поддерживается взаимодействие через MCP, благодаря которому совместимые ИИ-ассистенты могут обращаться к данным наблюдаемости платформы. Это позволяет задавать вопросы о состоянии инфраструктуры на естественном языке и уточнять их по мере получения новых сведений.
Для более предметной работы агенту важно понимать не только сами данные, но и то, как они организованы и какие способы анализа доступны. В MCP-сервере GMONIT предусмотрены справочная информация о таблицах, шаблоны SQL-запросов, пользовательские функции и встроенные сценарии расследования, в том числе RCA (Root Cause Analysis) по оповещению или симптому. Эти инструменты дают агенту дополнительный контекст для обращения к данным и помогают выстраивать исследование в соответствии с поставленной задачей.
Например, если специалист хочет разобраться в росте задержек, исследование может начаться с запроса о затронутых сервисах. Затем, используя доступные инструменты, агент может обратиться к сопутствующим ошибкам и другим данным за соответствующий период. Если телеметрия позволяет проследить прохождение запросов между компонентами, ее анализ поможет уточнить, на каком участке возникло замедление. Результаты каждого шага могут стать основанием для следующего запроса.
Здесь важна разница между простым доступом к телеметрии и подготовленной средой для работы агента. В первом случае ему приходится самостоятельно ориентироваться в структуре данных и способах запросов. Во втором он может использовать предусмотренные интеграцией справочные материалы и сценарии. Это не заменяет проверку выводов специалистом, но позволяет организовать работу с данными как последовательное исследование, а не набор несвязанных запросов.
Таким образом, в этом сценарии GMONIT выступает источником данных наблюдаемости и предоставляет инструменты для работы с ними, а MCP обеспечивает взаимодействие с платформой через совместимые ИИ-ассистенты. Специалист получает дополнительный способ исследовать инфраструктуру, сохраняя возможность проверять промежуточные результаты и определять дальнейшее направление анализа.
Для более предметной работы агенту важно понимать не только сами данные, но и то, как они организованы и какие способы анализа доступны. В MCP-сервере GMONIT предусмотрены справочная информация о таблицах, шаблоны SQL-запросов, пользовательские функции и встроенные сценарии расследования, в том числе RCA (Root Cause Analysis) по оповещению или симптому. Эти инструменты дают агенту дополнительный контекст для обращения к данным и помогают выстраивать исследование в соответствии с поставленной задачей.
Например, если специалист хочет разобраться в росте задержек, исследование может начаться с запроса о затронутых сервисах. Затем, используя доступные инструменты, агент может обратиться к сопутствующим ошибкам и другим данным за соответствующий период. Если телеметрия позволяет проследить прохождение запросов между компонентами, ее анализ поможет уточнить, на каком участке возникло замедление. Результаты каждого шага могут стать основанием для следующего запроса.
Здесь важна разница между простым доступом к телеметрии и подготовленной средой для работы агента. В первом случае ему приходится самостоятельно ориентироваться в структуре данных и способах запросов. Во втором он может использовать предусмотренные интеграцией справочные материалы и сценарии. Это не заменяет проверку выводов специалистом, но позволяет организовать работу с данными как последовательное исследование, а не набор несвязанных запросов.
Таким образом, в этом сценарии GMONIT выступает источником данных наблюдаемости и предоставляет инструменты для работы с ними, а MCP обеспечивает взаимодействие с платформой через совместимые ИИ-ассистенты. Специалист получает дополнительный способ исследовать инфраструктуру, сохраняя возможность проверять промежуточные результаты и определять дальнейшее направление анализа.
Что это меняет для ИТ-команды и бизнеса
При расследовании инцидента значительная часть работы связана с поиском нужных данных, пониманием их структуры и выбором следующего шага. Агент, который может обращаться к телеметрии и использовать доступные сценарии исследования, помогает перейти от первоначального вопроса к конкретным направлениям анализа.
Для инженера это возможность получить исходный контекст и проверить рабочие гипотезы через диалог с ИИ-ассистентом. Для команды эксплуатации — дополнительный способ исследовать состояние сервисов без необходимости каждый раз начинать с ручного поиска информации в разных представлениях. Для ИТ-руководителя — возможность задавать вопросы о состоянии систем и получать сведения, которые помогают определить, какие ситуации требуют внимания специалистов.
Практическая ценность зависит от того, насколько хорошо технические данные связаны с контекстом работы сервисов. Если такая информация доступна, можно выяснять, какие компоненты затронуты и какие бизнес-процессы требуют дополнительной проверки. Однако влияние инцидента на клиентов или бизнес-показатели должно подтверждаться данными, а не предположениями ИИ.
Само подключение агента не гарантирует сокращения времени каждого расследования. Результат зависит от полноты наблюдаемости, настроек интеграции и качества анализа. Но если агенту не приходится каждый раз начинать с выяснения того, какие данные существуют и как к ним обратиться, специалист может больше внимания уделять проверке гипотез и принятию решений.
Для инженера это возможность получить исходный контекст и проверить рабочие гипотезы через диалог с ИИ-ассистентом. Для команды эксплуатации — дополнительный способ исследовать состояние сервисов без необходимости каждый раз начинать с ручного поиска информации в разных представлениях. Для ИТ-руководителя — возможность задавать вопросы о состоянии систем и получать сведения, которые помогают определить, какие ситуации требуют внимания специалистов.
Практическая ценность зависит от того, насколько хорошо технические данные связаны с контекстом работы сервисов. Если такая информация доступна, можно выяснять, какие компоненты затронуты и какие бизнес-процессы требуют дополнительной проверки. Однако влияние инцидента на клиентов или бизнес-показатели должно подтверждаться данными, а не предположениями ИИ.
Само подключение агента не гарантирует сокращения времени каждого расследования. Результат зависит от полноты наблюдаемости, настроек интеграции и качества анализа. Но если агенту не приходится каждый раз начинать с выяснения того, какие данные существуют и как к ним обратиться, специалист может больше внимания уделять проверке гипотез и принятию решений.
Доступ к данным и границы полномочий
Подключение ИИ к корпоративным системам требует заранее определить, к каким данным он может обращаться и какие операции ему разрешены. Чтение показателей и анализ состояния инфраструктуры — не то же самое, что изменение конфигурации или выполнение действий в рабочей среде.
При подключении модели к MCP важно учитывать модель доступа, разграничивать полномочия и предоставлять ассистенту только те возможности, которые необходимы для поставленной задачи. Следует также понимать, какие сведения передаются ИИ-клиенту и как обрабатывается чувствительная информация. Эти вопросы решаются на уровне конкретной реализации, настроек интеграции и корпоративных правил.
Поэтому разумно начинать с четко определенных сценариев получения и анализа данных. Это позволяет оценить качество результатов и практическую пользу для команды, прежде чем переходить к более сложным вариантам взаимодействия с ИТ-системами.
При подключении модели к MCP важно учитывать модель доступа, разграничивать полномочия и предоставлять ассистенту только те возможности, которые необходимы для поставленной задачи. Следует также понимать, какие сведения передаются ИИ-клиенту и как обрабатывается чувствительная информация. Эти вопросы решаются на уровне конкретной реализации, настроек интеграции и корпоративных правил.
Поэтому разумно начинать с четко определенных сценариев получения и анализа данных. Это позволяет оценить качество результатов и практическую пользу для команды, прежде чем переходить к более сложным вариантам взаимодействия с ИТ-системами.
От подключения к рабочему процессу
Использование или предоставление доступа через MCP открывает новый способ работы с данными наблюдаемости: специалист может начать с вопроса на естественном языке и последовательно уточнять картину происходящего, используя результаты предыдущих запросов. Для этого ИИ-ассистенту необходим доступ к актуальным метрикам, логам и трассировкам, а также инструменты, которые помогают ориентироваться в данных и выбирать дальнейшие шаги исследования.
Поддержка MCP в GMONIT — пример того, как такой подход может быть реализован на практике. Платформа предоставляет данные наблюдаемости и предусмотренные механизмы работы с ними, а совместимый ИИ-ассистент может использовать их для исследования конкретных вопросов об инфраструктуре.
В конечном счете ценность использования ИИ-агентов, подключенных через MCP, не в замене инструментов наблюдаемости или экспертизы инженера, а в возможности сократить путь от вопроса специалиста к данным, которые помогают на него ответить. Практический результат зависит от качества телеметрии, доступного контекста и предусмотренных сценариев работы с данными. Именно сочетание этих факторов позволяет превратить диалог с ИИ из способа получить общий ответ в инструмент последовательного исследования ИТ-инфраструктуры.
Поддержка MCP в GMONIT — пример того, как такой подход может быть реализован на практике. Платформа предоставляет данные наблюдаемости и предусмотренные механизмы работы с ними, а совместимый ИИ-ассистент может использовать их для исследования конкретных вопросов об инфраструктуре.
В конечном счете ценность использования ИИ-агентов, подключенных через MCP, не в замене инструментов наблюдаемости или экспертизы инженера, а в возможности сократить путь от вопроса специалиста к данным, которые помогают на него ответить. Практический результат зависит от качества телеметрии, доступного контекста и предусмотренных сценариев работы с данными. Именно сочетание этих факторов позволяет превратить диалог с ИИ из способа получить общий ответ в инструмент последовательного исследования ИТ-инфраструктуры.
