Grafana
PulseAugur coverage of Grafana — every cluster mentioning Grafana across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
开发者构建开源 LLM 成本和安全防护器
Osama Malik 开发了 BleedStop,一个开源工具,旨在充当 LLM、SMS 和支付 API 的成本和安全防护器。该应用程序位于 API 调用之前,在允许请求继续之前,根据特定租户的规则和预算限制来评估请求。BleedStop 旨在防止提示注入或失控循环等问题导致过度支出或数据泄露,并提供 ALLOW、LIMIT、CHALLENGE 或 DENY 等决策。
-
Anyscale 的 Ray Train 增加了可观测性以解决 GPU 饥饿问题
Anyscale 在其 Ray Train 框架中引入了新的可观测性功能,以帮助开发人员诊断和解决模型训练期间的 GPU 饥饿问题。这些工具与 Ray Data 集成,提供数据加载管道每个阶段的详细指标。通过可视化这些指标(通常通过 Grafana 仪表板),用户可以识别数据准备中的瓶颈,例如上游管道缓慢或繁重的预处理,这些都会导致 GPU 空闲并减慢训练速度。
-
MCP 服务器在无故障指示的情况下遭受并发编辑导致的数据丢失
一篇技术帖子详细介绍了多通道协议 (MCP) 服务器中的一个关键缺陷,即并发编辑会导致数据丢失,且没有任何故障指示。当两个代理编辑同一条记录时会出现此问题;两者都会收到“成功”确认,但其中一个代理的更改会被无声覆盖并丢失。作者演示了如何使用一个名为 tiny-tracker 的小型测试服务器重现此故障,并提出了一种涉及版本检查的修复方法,类似于 HTTP 的 If-Match 或 Kubernetes 的 resourceVersio…
-
从零开始构建生产级众包数据平台
本文详细介绍了从零开始构建生产级众包数据平台的建设过程,重点阐述了通过各种技术实现的八个阶段。该平台集成了 Kubernetes、Kafka、Spark、Airflow 和 dbt 等组件,所有这些都在 Google Cloud Platform (GCP) 上进行管理。它包括一个用于生成虚假移动设备测量数据的模拟器,这些数据通过 Spark medallion lake 进行处理,并由 dbt 进行转换,以便在 Looker Stu…
-
MCP 服务器与 CLI:AI 代理中的 Token 消耗
这一系列文章讨论了当 AI 代理与工具交互时,MCP(元通信协议)服务器和命令行界面(CLI)之间在 Token 消耗方面的显著差异。MCP 服务器会主动将工具定义(名称、描述、JSON 模式)发送给语言模型,这会迅速消耗上下文窗口的 Token,尤其是当工具数量众多或嵌套很深时。相比之下,CLI 仅在执行时产生费用,因此对于需要按需使用工具的代理来说,它们在 Token 方面更有效率。文章强调,虽然 MCP 服务器为跨多个客户端发现…
-
MCP 服务器未能强制执行只读访问,安全分析发现
对 19 个不同托管连接协议 (MCP) 服务器的安全分析显示,只读配置并非总是有效。尽管有旨在限制写入访问的设置,但某些服务器允许代理执行写入操作。在 Grafana 的 get_panel_image 和 MongoDB 的 aggregate 等工具中观察到了这一点,其中特定的查询或配置绕过了只读标志,可能导致意外的数据修改。
-
MCP 工具定义膨胀 AI 代理成本并降低性能
由于模型上下文协议 (MCP) 中工具定义的令牌数量庞大,开发人员正面临显著的成本和性能问题。当 AI 代理连接到多个 MCP 服务器时,在实际工作完成之前,工具名称、描述和模式的聚合大小就会使请求膨胀数万个令牌。这不仅增加了 API 成本,特别是对于使用更密集的令牌分词器的 Claude 4.7 等新模型,而且还降低了 AI 选择正确工具的能力。解决方案包括测量每个服务器的令牌使用情况、修剪冗余的模式以及实施惰性加载策略以减少开销。
-
四个主要软件系统因同时更新而遭受数据丢失
对四个流行软件系统——GitHub、Grafana、PostHog和Kubernetes——的安全审计揭示了一个关键缺陷,即它们如何处理同时更新。当多个代理通过各自的MCP(Meta-Control Plane)服务器尝试修改同一数据时,其中一个更新可能会丢失,而没有任何错误指示。这个问题源于每个系统中不同的根本原因,包括它们如何重写数据、管理版本检查或实现API功能。在多个自动化代理并行工作的环境中,这个问题会加剧,可能导致数据不一致。
-
MCP 工具设置未能持续更新所宣传的功能
最近的一项测试显示,多个 MCP 工具中的只读或安全模式设置并未持续改变所宣传的工具列表。在测试的七台服务器中,五台在应用该设置后工具列表有所减少,而两台则未发生变化。这种差异意味着仅依赖工具列表的客户端可能无法准确了解服务器的安全状态,因此需要其他验证方法,如咨询或用户权限。
-
使用 Grafana、MCP 和 Claude 自动调查 .NET 错误
本文详细介绍了一个使用 Grafana、MCP 和 Claude 自动调查 .NET 错误的系统。该过程从警报开始,经过调查,最后以拉取请求结束。作者旨在分享这些工具的见解和实际应用。
-
开发者根据安装、模式、故障和实用性对20款MCP工具进行排名
一位开发者根据四个标准对20款不同的工具进行了排名:安装简易性、模式描述清晰度、故障处理能力和每周使用价值。Context7和Playwright并列第一,均获得20分中的18分,GitHub和Sentry紧随其后。评分体系强调实际可用性,例如清晰的错误消息和频繁的实用性,而非仅凭星级评分指示的受欢迎程度。
-
乔沃智能在新疆部署L4级自动驾驶拖拉机系统 · 追踪1个来源
乔沃智能在中国新疆成功展示了其KaiwuOS L4级自动驾驶操作系统在混合动力拖拉机上的应用,进行了超过30厘米深、11.8公里/小时速度的深耕作业。该公司还通过在新疆开设新的直营旗舰店以及与卓品智能建立战略合作伙伴关系,共同开发农机控制器和边缘域控制器,专注于ISOBUS标准以实现全球市场部署,从而扩大其业务范围。该集成系统包括车规级硬件、KaiwuOS、基于平板电脑的远程指挥界面以及预测性维护平台,旨在为无人化农业作业提供全面的解…
-
通过 RAG 实现将本地 LLM 的准确性从 1/10 提升到 9/10
作者详细介绍了他们如何通过实现检索增强生成(RAG)来提高本地托管的 LLM OzAI(运行在 MacBook Pro M1 Pro 上)的准确性。最初,通过 Ollama 和 LiteLLM 提供的 Qwen3 8B 模型 LLM 会给出错误且自信的虚假答案。通过集成 RAG(该技术涉及在生成响应前搜索相关文档),LLM 在一套 10 个评估问题上的表现从 10 个中答对 1 个提高到答对 9 个。作者强调了在 RAG 块中包含源文…
-
Affirm 彻底改革 MLOps 以实现自动化模型发布
Affirm 的机器学习与决策平台开发了一种新的 MLOps 方法,专注于从运行时开始自动化模型发布。该系统旨在通过集成各种工具和平台来简化部署过程。目标是在其基础设施内实现更高效、更可靠的模型服务。
-
手册解决了教程之外的RAG生产陷阱
一本新手册解决了教程RAG系统与生产就绪应用程序之间的差距,强调了检索指标、分块策略和向量数据库成本方面的常见陷阱。它强调了对生产RAG系统进行稳健评估、详细日志记录和定制化可观测性的重要性。该手册为构建和维护有效的RAG管道提供了实用的解决方案、代码示例和案例研究。
-
开源可观测性面临集成挑战,OpenTelemetry 提供前进的道路
文章讨论了将各种开源可观测性工具集成到统一后端解决方案中的复杂性。它强调了诸如 Prometheus 和 Elastic APM 等工具之间的功能重叠、多样的配置方法以及对上下文数据感知以优化存储和警报的需求等挑战。作者认为,虽然专有解决方案提供了简单性,但它们牺牲了灵活性,并建议利用 OpenTelemetry 的语义约定来简化数据映射并提高 AI 代理集成的潜力。
-
自托管 LLM 监控系统跟踪关键性能指标
在 MacBook Pro M1 Pro 上构建的自托管 LLM 平台可能会遇到超出标准 HTTP 200 响应的问题,例如提示被静默截断或答案为空。为解决此问题,作者开发了一个使用 Grafana 和 PostgreSQL 的监控系统,直接查询 LiteLLM 请求日志。这种方法可以跟踪关键指标,如首次令牌时间(time to first token)和解码速度(decode speed),这对于理解 LLM 性能至关重要,超越了简…
-
AI直接查询用户数据库中的视频播放器QoE数据
一种新方法允许用户使用自然语言查询其视频播放器的体验质量(QoE)数据,利用Claude Desktop或Cursor+等AI助手。该方法与ClickHouse等数据库集成,播放器事件根据Eyevinn Player Analytics Specification (EPAS) 存储在其中。通过拥有原始数据并避免强制保留窗口,用户可以直接从自己的数据库中询问有关观众等待时间、卡顿和错误的具体问题。
-
Circle K 使用 Amazon Bedrock AI 将事件分类时间缩短 75%
Circle K 开发了一个使用 Amazon Bedrock 的 AI 驱动系统,显著减少了 DevOps 事件分类所需的时间。该新系统可自主调查警报,从 Amazon CloudWatch 和 Amazon OpenSearch Service 等各种工具收集上下文信息,并在 Slack 中向值班工程师提供可操作的摘要。通过自动化日志审查和健康检查的手动流程,Circle K 将平均分类时间从 45-60 分钟缩短至 15 分钟以…
-
Anthropic 的 Claude Code 推出用于 Jira、GitLab 集成的插件
Anthropic 为其 Claude Code 工具发布了插件机制,允许开发者集成 Jira、Confluence 和 GitLab 等各种外部服务。此功能目前处于公开测试阶段,旨在通过将分散的命令和子代理统一为可共享的包来简化开发人员的工作流程。模型上下文协议 (MCP) 是实现此集成的关键组件,它为 AI 客户端调用内部工具提供了一种标准化方式,重点关注通过狭窄的工具定义和尽可能只读的数据库连接来确保安全。