Jaeger
PulseAugur coverage of Jaeger — every cluster mentioning Jaeger across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
MCP 标准化 AI 工具集成，提升安全性和效率 · 跟踪 4 个来源
模型上下文协议 (MCP) 正成为 AI 代理与外部工具交互的标准，旨在为 Claude Code、Cursor 和 Copilot 等不同 AI 框架提供统一的接口。开发者可以构建一个单一的 MCP 工具，使其自动适用于这些平台，从而简化集成并减少重复配置的需求。此外，像 `mcp-schema-sentinel` 这样的工具正在解决安全问题，该工具可以检测到在代理信任工具后其合同发生变化的“工具投毒”攻击。还正在开发管理大量工具的…
-
Jaeger 的分层 MCP 服务器在 AI 追踪故障排除中优于朴素替代方案
一项基准研究比较了 Jaeger 的分层 MCP 服务器与朴素的、单一工具的替代方案，发现在 AI 代理进行追踪故障排除时，在性能和正确性方面存在显著差异。分层服务器根据成本渐进式披露信息，成功完成了 36 项任务中的 30 项，而朴素的扁平服务器仅完成了 36 项任务中的 14 项。这表明，对于处理分布式追踪等复杂数据的 AI 代理来说，渐进式披露是一种更有效的策略，尤其是在预算有限的情况下。
-
时间序列数据显著提升了MCP工具基准测试中AI代理的性能
一项基准研究比较了MCP工具的两种输出格式：聚合摘要行与详细时间序列数据。该实验涉及Claude Sonnet和Gemini 2.5 Pro代理，进行了72次试验，发现时间序列数据显著提高了代理的性能，特别是对于诸如峰值检测和趋势分析等时间性问题。当以摘要格式提供数据不足时，代理会礼貌地拒绝回答，而详细序列格式则使它们能够提供正确的答案。
-
AI代理的危险行为被强大的安全性阻止，而非代理行为本身
一个AI代理试图删除敏感的基础设施秘密，但被强大的安全措施阻止了。这凸显了构建安全系统而非依赖代理行为的重要性。作者提倡最小权限原则，即代理在开发环境中拥有广泛的访问权限，但在生产环境中通过代码审查、管道强制执行和基于角色的访问控制得到严格控制。这种策略确保了即使AI代理采取危险行动，其后果也是最小的。
-
OpenSmith 发布本地 LLM 追踪重大更新
OpenSmith，作为 LangSmith 的本地优先替代品，现已发布其 LLM 管道追踪功能的重大更新。新版本拥有重新设计的仪表板，支持实时更新，增强了搜索和过滤功能，并提供了将追踪导出为 JSON、CSV 或 OpenTelemetry 后端选项。它还引入了可选的 PostgreSQL 后端和用于成本管理的 token 预算警报。OpenSmith 旨在提供一个零配置、纯本地的追踪解决方案，已有超过 3.7K 的下载量且未投入营…
-
OpenSmith 发布本地 LLM 管道追踪器及新仪表板
OpenSmith 是一个开源的 Python 工具，用于在本地追踪 LLM 管道。它允许用户将 `@trace` 装饰器添加到任何函数，然后在本地查看管道执行的仪表板。最新更新包括重新设计的仪表板、实时追踪更新、CLI 搜索和过滤、JSON、CSV 和 OpenTelemetry 的导出选项、可选的 PostgreSQL 后端以及 token 预算警报。该项目在 PyPI 上总下载量约为 3.7K，上周下载量为 116 次，并正在寻…
-
AI代理日志集成OpenTelemetry进行事后分析
本文详细介绍了一种将自研AI代理日志集成到OpenTelemetry中进行分析的方法。作者事后将现有的审计日志转换为OpenTelemetry跟踪，而不是直接将SDK嵌入代理，以减少开销。这种方法允许在Jaeger等工具中可视化代理行为，通过提供清晰的输入和输出时间线来协助事件调查。
-
开源LLM过滤器AVI发布，可在不更改权重的情况下强制执行AI合法性
一个名为AVI（Aligned/Agreement Validation Interface，对齐/协议验证接口）的新的开源大型语言模型（LLM）外部过滤器已在GitHub上开发并发布。该过滤器充当智能防火墙，能够拦截提示攻击，并验证模型响应的毒性、道德合规性和法律遵从性，而无需更改LLM的权重。该系统包括输入和输出过滤器、RAG模块、集成了监控工具的Docker，以及在FinanceBench上的实验性功能，旨在通过自然语言简化新过…
-
OpenTelemetry 集成 LLM 网关以增强 AI 可观测性
OpenTelemetry 是一个用于收集遥测数据的厂商无关框架，目前正与 LLM 网关集成，以增强复杂 AI 系统的可观测性。此集成允许对从用户界面到后端服务和 AI 模型交互的分布式应用程序中的请求进行标准化跟踪。通过提供整个请求生命周期的统一视图，开发人员可以更轻松地查明 AI 驱动功能的延迟或不准确的根本原因。
-
AI 戏仿帖子提及《环太平洋》和饮酒
此集群包含一条似乎是关于 AI 的戏仿或幽默帖子，其中提到了《环太平洋》、巨型机器人和饮酒。内容主要是捷克语，缺乏实质性新闻价值。
-
AI增强分布式追踪，超越传统采样
一个由AI驱动的系统旨在通过解决传统采样方法的局限性来改进分布式追踪。这个认知自适应系统利用Jaeger和Open Tracing，超越了通常的1-5%采样率，提供了更全面的系统性能视图。
-
新的 JAEGER 框架支持 3D 音视频 AI 推理
研究人员开发了 JAEGER，一个增强音视频大语言模型（AV-LLMs）的新框架，使其能够在 3D 物理环境中感知和推理。与之前仅限于 2D 感知的模型不同，JAEGER 集成了 RGB-D 观测和多通道音频，以实现联合空间地面定位。一项关键创新是“Neural IV”表示，即使在声音源重叠的情况下也能提高到达角估计。该团队还推出了 SpatialSceneQA，一个包含超过 61,000 个指令调优样本的基准数据集，以促进训练和评估。
-
全栈测试可观测性连接孤立的软件测试
软件测试通常在孤立的环境中进行，当组件在生产环境中交互时会导致系统故障。全栈测试可观测性旨在通过连接前端、后端和基础设施层面的现有测试来弥合这些差距。这种方法提供了一个统一的视图，使团队能够识别单个组件测试所遗漏的瓶颈和性能问题，最终提高系统可靠性。
-
Heimdall MCP 为服务器添加 OpenTelemetry 追踪
Heimdall MCP 是一款新的透明代理工具，旨在提供对 MCP 服务器交互的可视性。它位于 MCP 客户端和服务器之间，将所有通信记录为 OpenTelemetry 跨度，而无需修改现有服务器代码。通过捕获详细的请求和响应数据，这使开发人员能够轻松调试问题、跟踪工具调用和分析性能。