Introduction
Les systèmes distribués modernes exigent une investigation d'incidents proactive et précise pour minimiser les temps d'arrêt et réduire la charge opérationnelle. Chez Adservio Managed Services, le dépannage n'est pas seulement une nécessité technique, c'est une fonction critique pour le métier. Une analyse de causalité (RCA) efficace se traduit directement par des économies de coûts et une efficacité opérationnelle améliorée dans l'ensemble des activités de support en aval.
Pour approfondir nos capacités d'investigation, nous avons adopté des technologies telles que eBPF, qui offrent une visibilité sur le comportement au niveau kernel. Groundcover, leader dans ce domaine, rend ces informations détaillées accessibles en temps réel sans nécessiter une expertise kernel approfondie de chaque ingénieur.
Parallèlement, nous avons intégré des agents IA dans notre chaîne d'outils opérationnels pour augmenter et accélérer le travail de nos ingénieurs humains. Avec l'émergence du Model Context Protocol (MCP), une nouvelle norme apparaît qui permet aux agents IA de dépasser les Q&A statiques et d'interagir directement avec les systèmes et sources de données en direct.
L'accès aux données au niveau kernel via Groundcover est devenu une pierre angulaire pour améliorer nos agents IA en vue d'une investigation d'incidents plus intelligente et contextuelle. Dans cet article de blog, nous partageons le contexte, notre approche, la solution intégrée que nous avons construite avec Groundcover et les résultats observés jusqu'à présent.
L'IA agentique : Résoudre les tâches cognitives complexes
Dans nos opérations de support quotidien, le processus d'investigation d'incidents commence souvent par la corrélation de logs pour comprendre le problème sous-jacent. Une fois qu'un ingénieur SRE reçoit une alerte d'incident depuis la plateforme de gestion des incidents, il effectue généralement une investigation multidimensionnelle (Schéma 2) qui comprend :
Métriques, Analyser les données chronologiques sur les tableaux de bord pour identifier les anomalies de performance ou d'utilisation des ressources. Logs, Rechercher dans les sources de logs distribuées les modèles d'erreurs, les exceptions ou les termes clés liés au composant affecté. Traces, Suivre les traces de requêtes pour identifier les segments lents ou défaillants et localiser l'origine de la dégradation de l'expérience utilisateur. Événements, Examiner les événements système et d'infrastructure (par exemple, redémarrages et déploiements) qui pourraient corréler avec la chronologie de l'incident. Topologie, Mapper les dépendances entre les services pour comprendre le rayon d'explosion potentiel et l'impact en amont et en aval. Modifications, Enquêter sur les modifications récentes de configuration, de code ou d'infrastructure qui pourraient expliquer les changements de comportement.
Les résultats de ces activités d'investigation mènent généralement à l'une de ces trois catégories de solutions :
Une correction à court terme pour atténuer le problème immédiat. Une recommandation pour améliorer l'observabilité, comme l'ajustement des seuils d'alerte ou l'introduction de nouvelles métriques. Une suggestion d'amélioration à plus long terme ciblant les faiblesses architecturales ou systémiques sous-jacentes.
L'élaboration de ces résolutions exige souvent de puiser dans divers domaines de connaissances, y compris la conception de systèmes, les meilleures pratiques d'observabilité et les objectifs de niveau de service. Bien que cette approche traditionnelle soit structurée et complète, elle reste chronophage, particulièrement lorsqu'il s'agit de signaux système bas niveau et de chaînes d'outils fragmentées.
Pour relever ces défis, nous avons commencé à adopter des agents IA pour soutenir nos workflows d'incidents. Bien que l'utilisation d'agents pour récupérer des connaissances de multiples sources se soit avérée quelque peu utile pour suggérer des solutions, nous avons rapidement réalisé une limitation clé : une investigation efficace nécessite l'accès à des données système en temps réel au niveau système. Sans contexte à jour provenant des systèmes sources, les suggestions de l'IA risquent d'être soit trop génériques, soit déjà obsolètes au moment de leur génération.
Cela nous a menés à une question critique :
Comment rendre la collecte de données d'investigation plus en temps réel et plus précise, afin que les agents IA puissent générer des insights et des solutions plus pertinents et actionnables ?
MCP : Le maillon manquant pour le raisonnement IA en temps réel
C'est là que le MCP, et ses capacités de recherche fédérée, intervient.
Dans l'investigation d'incidents, les plateformes O11y comme Groundcover fournissent une base puissante en combinant la télémétrie basée sur eBPF au niveau kernel avec des heuristiques contextuelles grâce à une récupération relationnelle. Cela donne aux investigateurs un contexte système riche et en temps réel.
Associée aux agents IA activés par le Groundcover MCP Server, ce paradigme permet au raisonnement de dépasser la simple récupération de connaissances statiques, en activant des actions dynamiques comme les requêtes d'observabilité, les recherches de systèmes en direct et la correction automatisée (Schéma 2).
Le résultat : une prise de décision plus rapide, plus précise et contextuelle lors de l'investigation d'incidents.
Notre hypothèse, par conséquent, est :
Les agents IA activés par MCP peuvent améliorer significativement la vitesse et la précision dans les investigations de systèmes profonds.
Co-création avec Groundcover
Avec Groundcover, nous avons construit une solution pour valider comment les agents IA peuvent nous assister dans les workflows d'investigation d'incidents au niveau kernel. Notre solution intégrée démontre comment les agents IA utilisent Groundcover et MCP pour effectuer une analyse de causalité automatisée et contextuelle.
Définir le cas d'usage, Un agent IA collabore avec le serveur Groundcover MCP pour effectuer une analyse de causalité (RCA) en temps réel et riche en contexte en récupérant dynamiquement les données d'observabilité, en construisant et affinant les plans de triage et en synthétisant les insights en résolutions actionnables.
Le workflow, Ci-dessous se trouve le workflow d'un agent IA qui exploite le serveur Groundcover MCP pour conduire une investigation d'incident en temps réel et collaborative. Il récupère les signaux d'observabilité, formule des stratégies de triage et pousse itérativement vers la cause racine et la résolution (Schéma 3).
Étapes 1 à 3 : cadrer et valider l'investigation
Étape 1. Déclencher l'investigation. Un agent humain initie l'investigation en posant une question en langage naturel (par exemple, « Pourquoi le paiement échoue-t-il ? »), qui récupère l'alerte active la plus pertinente via le Groundcover MCP.
> Exemple de prompt :
Étape 2. Rédiger le plan de triage. Un agent IA propose un plan de triage en explorant plusieurs chemins d'investigation, chacun soutenu par des données spécifiques dont il a besoin (par exemple, logs pour la corrélation d'erreurs, métriques pour les tendances de latence, traces pour les défaillances de dépendances).
Étape 3. Validation interactive du plan. L'agent humain valide l'approche de l'IA par le dialogue itératif. Dans cette expérience, il a été découvert que les prompts trop génériques pouvaient mener à une hallucination du modèle. Par exemple, un prompt vague comme « en utilisant le groundcover mcp, pouvez-vous diagnostiquer ce qui se passe avec la charge de travail du panier » a amené l'IA à rechercher incorrectement des fichiers locaux.
L'agent humain a affiné le plan en fournissant un prompt plus spécifique, guidant l'IA pour comparer différentes périodes et se concentrer sur des services spécifiques. Cette correction est une partie critique du workflow collaboratif.
Étapes 4 à 6 : exécuter, itérer et résoudre
Étape 4. Exécution en temps réel. Suivant le plan validé, l'agent IA exécute l'investigation en effectuant des appels en temps réel pour récupérer la télémétrie en direct. Le serveur Groundcover MCP agit comme une passerelle API unifiée, permettant à l'IA de récupérer tous les signaux d'observabilité nécessaires (métriques, traces, logs) d'une seule source sans avoir à gérer plusieurs points de terminaison. Les logs internes de l'IA montrant « Ran tool » plusieurs fois sont la preuve de cette récupération de données en temps réel.
Étape 5. Itérer sur les insights. En fonction des constatations initiales, l'agent ajuste dynamiquement le chemin de triage, bouclant au besoin, intégrant de nouvelles hypothèses et données pour affiner le diagnostic. Le processus est transparent et itératif, comme montré dans le log du processus de réflexion de l'agent.
L'agent forme une hypothèse (par exemple, « laissez-moi obtenir plus de détails sur les erreurs de connexion Redis »), exécute une série de requêtes sur différentes sources de données (query_logs, query_traces, query_metrics) puis utilise ces constatations pour former une nouvelle hypothèse plus affinée (par exemple, « maintenant laissez-moi vérifier les modèles d'utilisation de la mémoire »).
Cette boucle itérative de « Réflexion → requête → réflexion affinée » est ce qui permet à l'agent de dépasser les symptômes superficiels. C'est exactement ce processus qui lui a permis de pivoter de l'investigation de simples erreurs de connexion à la découverte de la véritable cause racine de la pression mémoire et à la synthèse du « Motif de Cascade de Défaillance » mentionné dans le résumé final.
Étape 6. Résumer et résoudre. Finalement, l'agent consolide toutes les constatations dans un résumé clair et actionnable. Cela comprend l'identification de la cause racine, la fourniture de preuves et l'offre d'un plan de résolution multi-couches avec des corrections immédiates, des solutions alternatives et des améliorations à long terme. Ce résumé complet peut ensuite être utilisé pour la communication avec les stakeholders ou la création de tickets.
Apprentissages clés
Nous avons définitivement quelques apprentissages clés de l'expérience d'investigation d'incidents activée par MCP. Ils incluent :
Performance et efficacité des coûts
La recherche fédérée via MCP fournit un contexte en temps réel puissant mais s'accompagne d'un coût de tokens plus élevé par rapport à la recherche indexée basée sur RAG traditionnelle. Cela a occasionnellement mené à une performance dégradée et à des résultats incohérents, soulignant le besoin de stratégies plus intelligentes de contrôle des coûts dans l'exécution des prompts.
Triage plus intelligent en exploitant le RAG
L'augmentation du MCP avec la recherche indexée activée par RAG provenant des investigations historiques s'est avérée très efficace. Elle a fourni des plans de triage riches en contexte, améliorant la pertinence, l'efficacité et la direction initiale des investigations.
Lacunes de sécurité
La solution actuelle manque de capacités de sécurité essentielles, y compris les contrôles d'accès, la gestion d'identité et l'audit. L'intégration de ces sauvegardes est critique pour rendre les solutions MCP prêtes pour l'entreprise.
Expérience utilisateur
Les interactions longues et non structurées avec les agents IA ont placé une charge cognitive significative sur les opérateurs humains. L'absence de synthèse, d'indices UX, de soutien à la décision ou de workflows guidés a mis en évidence le besoin urgent d'une meilleure couche d'expérience utilisateur.
La spécificité du prompt est primordiale
La précision des résultats de l'IA était directement liée à la clarté des prompts. Les instructions vagues comme « diagnostiquer la charge de travail » ont souvent mené à des hallucinations, tandis que les prompts riches en contexte, y compris les logs, les codes d'erreur et les cadres temporels, ont produit des insights précis et actionnables. Cela réaffirme que l'ingénierie des prompts est essentielle aux performances du modèle.
L'IA excelle dans la synthèse de scénarios complexes
Le modèle a démontré une capacité puissante à dépasser la simple récupération de données. Il a réussi à corréler les données sur différents domaines (logs, traces, métriques) pour créer un récit holistique. Sa création du « Motif de Cascade de Défaillance » est un excellent exemple de sa capacité à synthétiser une chaîne d'événements complexe en un concept facile à assimiler, une tâche très chronophage pour les agents humains.
Un processus de réflexion transparent construit la confiance
Un différenciateur clé dans les interactions réussies était la narration de l'IA de son propre workflow (par exemple, « Laissez-moi commencer par... »). La transparence de son « processus de réflexion » renforce la confiance et permet à l'ingénieur de comprendre comment l'IA est parvenue à ses conclusions, ce qui en fait un partenaire plus efficace et digne de confiance dans un scénario diagnostic.
Réduction drastique du temps de résolution
Pour les investigations bien définies, l'expérience a confirmé que l'IA pouvait fournir une RCA détaillée avec des recommandations actionnables en quelques minutes. Cela représente une réduction significative par rapport aux heures qu'un ingénieur pourrait généralement passer sur la corrélation manuelle de données. Il y a clairement une valeur métier significative dans l'accélération de la réponse aux incidents.
Perspectives : L'IA comme compagnon d'investigation
Nous croyons que l'IA redéfinit l'avenir des opérations IT. Son impact est plus profond et plus transformateur que beaucoup ne le réalisent. Bien que des technologies comme les LLM et RAG aient renforcé les systèmes IA avec la recherche indexée et contextuelle, MCP va encore plus loin, permettant l'accès fédéré en temps réel aux systèmes d'entreprise en direct. Ce changement élève les agents IA de simples répondants à des compagnons proactifs et investigateurs qui opèrent avec une intelligence opportune et consciente du système.
Lorsqu'il est combiné avec des technologies de télémétrie puissantes comme eBPF, les agents IA activés par MCP déverrouillent un nouveau paradigme dans l'investigation d'incidents, passant de l'analyse statique au raisonnement dynamique et riche en contexte.
Chez Adservio Managed Services, nous intégrons continuellement les meilleures technologies IA pour améliorer l'excellence opérationnelle, aidant nos clients à réduire les coûts tout en maintenant une fiabilité de service élevée.
L'IA, lorsqu'elle est correctement soutenue, devient bien plus qu'un outil, elle devient un véritable partenaire dans la détection, le diagnostic et la prévention.
Avis de non-responsabilité : Les déclarations et opinions exprimées dans cet article sont celles de l'auteur(s) et ne reflètent pas nécessairement les positions d'Adservio.
RÉCUPÉRER CET ARTICLE
Téléchargez l'article complet en PDF pour le lire hors ligne ou le partager.
RESTER INFORMÉ
Recevez nos prochaines analyses et retours d'expérience directement dans votre boîte mail.
