带你用观测 AI 智能体：与本地 Coding Agent 协作排障

一个典型的线上故障排查

假设你是电商系统的开发者。订单服务出现大量 503 错误，库存扣减失败。

在不启用观测云 AI 情况下的排查路径是：

1. 打开观测云平台，筛选最近 30 分钟的错误日志
2. 在 Trace 链路中逐层下钻，定位异常服务和调用链，找到根因
3. Copy Paste 一些证据给本地的 Coding Agent 如 Codex，Claude Code 等，Coding Agent 修改代码 → 验证 → 提交 PR → 等待 CI/CD → 上线观察

这个流程里有痛点，生产观测数据在观测云平台，源码和 Coding Agent 在端侧，两者之间没有桥梁。

一条 MCP 连接两个 Agent 的世界

让两个 Agent 各司其职，发挥自身优势。

• 观测 AI 智能体团队有丰富的排障知识库和生产测上下文，擅长分析故障根因；
• 端侧 Coding Agent 擅长根据故障根因，实施代码修复。

第一步：配置 MCP 连接

假如你在本地用的是 Codex。

在 Codex 的 MCP Servers 设置中，通过我们提供的 obs-mcp，添加 guanceRcaAgent 。这个 MCP 连接指向的，是你之前部署在观测智能体团队 console 的 RCA Agent（Root Cause Analysis Agent）。

MCP（Model Context Protocol）是 Anthropic 开源、现由 Linux Foundation 治理的标准协议，它定义了 Agent 如何安全地调用外部工具和数据源。截至 2026 年中，MCP 已成为 Agent 工具集成的事实标准，被 ChatGPT、Gemini、Microsoft Copilot、Cursor 及 Claude 生态广泛采用。

第二步：用自然语言发起排查

不需要写复杂的 DQL 查询，不需要在观测云多个仪表盘之间切换。你只需要在 Codex 的输入框里，用自然语言描述你的需求：

"请通过 guanceRcaAgent MCP 调用 RCA Agent，分析 project=观测云优选系统 最近 30 分钟的错误日志、链路和指标。请先基于观测云中的真实观测证据完成 RCA，再结合当前仓库 源码 ……"

然后按下回车。

第三步：两个 Agent 开始协作

• Guance AI Agent Teams（生产侧） → 读取真实的日志、Trace、指标数据 → 用观测云的知识库，专业的 skill ，结合生产侧上下文分析故障根因 → 整理成一份结构化的"证据包" → 通过 MCP 返回给本地 Codex
• Codex（端侧） → 拿到这份生产证据 → 回到本地源码仓库中 → 给出修复建议 → 开始在本地仓库修复

这个分工非常重要

生产测数据必须能被本地看到

Codex 作为端侧 Coding Agent，修复代码问题必须要有真实的观测证据支持，所以这里的分工是：

证据清晰的结构化数据比原始数据更重要

注意视频中 RCA Agent 返回给 Codex 的不是原始日志 dump，而是一份已经经过观测 AI 智能体分析过的结构化的证据包：

• 故障结论：inventory-service 执行 Redis 命令约 2 秒后超时，库存预扣失败
• 观测证据：关键日志条目、Trace 链路、指标异常点
• 源码映射：具体代码文件和行号（如 OrderServiceApplication.java:137）
• 修复建议：6 条可操作的修复方案，包括配置调整、代码修改、验证步骤

这种结构化输出，让 Codex 能够高效地将生产证据与本地源码进行关联分析，而不是在海量原始日志中迷失。

AI 时代人与智能体共同消费的可观测数据基础设施

在这个场景里，观测云通过 Guance AI Agent Teams，为生产侧的可观测 Agent 提供了：

• 统一的数据基座：日志、指标、Trace、事件，全部统一采集、统一标签、统一存储
• 结构化的证据输出：不是原始数据 dump，而是经过 RCA Agent 推理后的结构化结论

而 Codex 等端侧 Coding Agent，则专注于自己擅长的领域：代码理解、修改、验证。

观测云正在做的，为 AI Agent 提供生产级的可观测数据基础设施——让 Agent 能够安全地看见系统运行的真相。

Data reveals. AI perceives. Human decides. Agent acts.

让数据说话， AI 感知，人决策，Agent 行动。