گرافانا دو ابزار جدید — رابط خط فرمان gcx و سرور Grafana MCP — را رسماً بهصورت عمومی عرضه کرد. این ابزارها امکان دسترسی عاملهای هوشمصنوعی به متریکها، لاگها، ترِیسها، SLOها و نتایج Synthetic Monitoring را از طریق Grafana Cloud یا استک خودمیزبان فراهم میکنند و فاصلهی بین سرعت تولید کد توسط عاملها و فهم مهندسان دربارهی رفتار واقعی سیستم را کاهش میدهند.
اهمیت gcx و MCP برای مشاهدهپذیری عاملمحور
عاملها معمولاً تغییراتی تولید میکنند که بدون مدل ذهنی مهندسان وارد سیستم میشود و بررسیهای خودکار میتوانند حس اطمینان کاذب ایجاد کنند. gcx و MCP دادههای مشاهدهپذیری زنده را وارد چرخهی توسعه میکنند تا تصمیمگیریها و بازبینیها مبتنی بر شواهد سیستم باشند نه صرفاً خروجی مدلهای زبانی.
معماری و تفاوتهای کلیدی
سرور Grafana MCP مجموعهای ابزار opinionated و آماده برای سناریوهای رایج ارائه میدهد؛ قابل استقرار بهصورت خودمیزبان و همچنین بهعنوان endpoint میزبانیشده برای مشتریان Grafana Cloud. در مقابل، gcx یک CLI انعطافپذیر است که عاملها میتوانند برای ساخت گردشکارهای سفارشی از آن استفاده کنند. gcx با نمونههای OSS و Enterprise سازگار است و پکیجهای مهارتی قابل نصب برای تسریع فرایندها دارد.
ویژگیهای کلیدی:
- MCP: پیکربندیهای پیشتنظیم برای عملیات متداول، یکپارچگی ساده با Grafana Cloud و سیاستهای ایمنی پیشفرض.
- gcx: امکانات برنامهپذیر مانند اسکریپتسازی گردشکار، دستورهای منابع مثل
gcx resources pullو افزونههای agent-specific.
مثال عملی: اضافهکردن یک تامینکننده پرداخت
در سناریو فرضی، یک عامل تصمیم میگیرد پرداختپرداز جدید اضافه کند. به جای حدسزدن میزان بار یا تأخیر، عامل ابتدا متریکهای RED را از سیستم زنده میخواند و مییابد p95 تأخیر برای تامینکننده فعلی حدود 2 ثانیه است. آن داده برای تنظیم تاخیرهای شبیهسازیشده در تستهای واحد و یکپارچهسازی استفاده میشود تا نرخ درخواست و رفتار هندلر جدید بهتر برآورد گردد.
عاملها میتوانند داشبوردها را بخوانند و تغییر دهند، کوئریهای داشبورد را ردیابی کنند و تعاریف بهروزشده را دوباره به Grafana یا کنترل نسخه ارسال نمایند. این اتصال میان کد، کوئری و متریک، بازبینی مبتنی بر شواهد را ممکن میسازد.
تکرار محلی و شبیهسازی بار
برای توسعه و تکرار محلی، گرافانا استفاده از OpenTelemetry را پیشنهاد میکند: عاملها میتوانند یک OpenTelemetry Collector راهاندازی کنند و تلهمتری ساخت محلی را به استک گرافانا صادر کنند یا از ایمیج داکری grafana/otel-lgtm برای راهاندازی استک محلی استفاده نمایند. gcx امکان کشیدن تعاریف داشبورد و منابع محلی را فراهم میکند.
برای شبیهسازی ترافیک واقعی میتوان از تلهمتری تولید برای ساخت اسکریپتهای بار با k6 استفاده کرد و k6 را در کانتینر اجرا نمود. بسته مهارتی agent-specific برای k6 با دستور k6 x agent init نصب میشود و تستهایی براساس ترافیک مشاهدهشده تولید میکند.
/filters:no_upscale()/news/2026/08/grafana-mcp-server-telemetry/en/resources/1ai-week-build-agentic-testing-1786612474541.jpeg)
رویکرد تیم Tempo و قابلیت Agentic Testing
نمونهای از تیم Tempo نشان میدهد چارچوب عاملمحور میتواند محیط توسعهای با چند ترابایت داده را پروفایل کند، نامزدهای بهینهسازی را شناسایی و تغییرات را اعمال کند، سپس کوئریهای پایه را برای اندازهگیری بهبود اجرا نماید و در نهایت تصمیم ادغام را یک انسان بگیرد. قابلیت Agentic Testing با دستورالعملهای زبان طبیعی، جریانهای رابط کاربری وب را در برنامههای زنده بررسی و رگرسیونهای فرانتاند را شکار میکند.
تأثیر بر فرایند کدنویسی و بازبینی
الگوی مرسوم pull request تغییر مییابد: بهجای یک diff و توضیح متنی، PRها میتوانند لینکهایی به داشبوردهای نشاندهنده رفتار سیستم تحت بار واقعی ارائه دهند و وضعیت متریکها و لاگها را در زمان اجرای تست نشان دهند. برای تیمهایی که از عاملها در خطوط لوله استفاده میکنند، این ابزارها یک لایه اعتبارسنجی مبتنی بر شواهد اضافه میکنند و تمرکز را از «آیا عامل مسئله را فهمید؟» به «آیا سیستم اجراشده مطابق انتظارات است؟» منتقل میکنند.
خطرات و نکات حفاظتی
- نیاز به سیاستها و گاردریلهای دقیق برای محدود کردن تغییرات پرخطر توسط عاملها.
- حفاظت دادهها و حریم خصوصی هنگام دسترسی عاملها به تلهمتری تولیدی.
- آموزش تیمها برای تفسیر دادههای مشاهدهپذیری و تصمیمگیری مبتنی بر شواهد انسانی.
گرافانا با قرار دادن تلهمتری در مسیر توسعه عاملها، امکان همزمانی سرعت نوآوری و شواهد واقعی سیستم را فراهم میآورد؛ اما موفقیت این رویکرد وابسته به سیاستهای محافظتی، تنظیم دقیق ابزارها و آموزش تیمهاست.
