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
-
Dify 1.20 通过 OpenTelemetry 和人工审批工作流增强 AI 编排
Dify 最新版本 1.20 为其开源 AI 编排平台引入了重要的企业级增强功能。主要更新包括采用 OpenTelemetry 实现标准化可观测性,允许与 Datadog 和 Jaeger 等各种追踪工具集成。它还增加了异步人工审核工作流,将请求路由到 Slack 和 Microsoft Teams 等聊天应用程序,并集成了防病毒扫描上传的文档以防止恶意软件注入。
-
OpenTelemetry通过新规范统一AI代理追踪
OpenTelemetry发布了用于AI代理集成的新的语义规范,使开发人员能够追踪用户交互、模型调用和工具使用。这种厂商中立的方法可以对代理行为进行详细追踪,这对于调试和理解性能问题至关重要。这些规范统一了span名称和属性键,从而更容易分析代理工作流程并识别瓶颈或与产品相关的问题。
-
Claude Code 增加了 OpenTelemetry 跟踪功能,用于详细的会话分析
使用 Claude Code 进行开发的开发者现在可以使用 OpenTelemetry 跟踪来分析他们的编码会话,该跟踪会记录每一次提示、模型调用和工具执行。这种详细的日志记录有助于识别仅从对话中可能不明显的性能瓶颈和意外结果。文章提供了使用 Docker 和 Jaeger 设置此跟踪的分步指南,使用户能够更深入地了解其 AI 代理工作流程并优化其自定义技能。
-
Tracehub-mcp 和 Cost-Guard-mcp 更新默认安全设置
作者详细介绍了 tracehub-mcp 和 cost-guard-mcp 工具的最新升级,重点介绍了默认安全配置的重大变化。Tracehub-mcp 现在默认使用回送地址作为其 HTTP 侦听器,需要通过持有者令牌进行身份验证或显式选择退出,以防止未经授权访问各种后端的跟踪信息。Cost-guard-mcp 的查询执行也已修改,新默认行为是对大型查询仅返回前 1000 行,这现在被视为已计费执行。这些更改是在内部审计后实施的,并有文…
-
尽管有文件数量限制,大型代理跟踪文件仍会导致 OOM 错误
一位开发者在为 AgentWatch 项目验证大型代理跟踪语料库时遇到了内存不足 (OOM) 错误,尽管设置了文件数量限制。问题源于一个包含 100 行的 590 MB parquet 文件,其中每行平均包含 5.9 MB 的文本数据。验证器将整个 parquet 文件加载到内存中,然后将其转换为 Python 对象的过程导致内存显著膨胀,最终导致虚拟机被 OOM killer 终止。
-
开发者构建开源LLM反向代理以降低AI成本并追踪推理
开发者正在探索优化AI模型使用和降低成本的方法,尤其是在自托管解决方案方面。一种方法是构建一个开源反向代理,该代理与OpenTelemetry集成以进行监控和追踪,并利用Redis等工具进行缓存和熔断,以管理API令牌支出和推理性能。这种策略对于在家庭服务器或虚拟专用服务器上运行AI应用程序的用户尤其重要,因为在这些环境中GPU需求可能很快成为一个重要因素,尽管许多自托管的AI应用程序并不需要专用GPU。
-
AgentGateway 部署在 SAP BTP Kyma 上,用于安全的 MCP 网关设置
本指南详细介绍了在 SAP BTP Kyma 上设置 AgentGateway,以实现生产级别的 MCP 网关部署。它涵盖了重要的安全和可观察性功能,例如通过 XSUAA 进行 JWT 身份验证、CEL 工具授权、用于安全集群内通信的 Istio 相互 TLS 以及用于可观察性的 Jaeger 跟踪。此设置确保 MCP 后端只能通过网关访问,从结构上防止绕过并增强安全性。
-
AI开发者寻求更好的可观测性工具用于Agent工程
构建AI Agent的开发者正在寻求强大的可观测性工具来监控和调试复杂的交互,包括API调用、工具使用和文件操作。用户认为现有解决方案存在不足,并对Opik等工具因糟糕的用户体验表示失望。理想的工具应是一个支持OpenTelemetry的自托管服务,能够进行详细的会话分析、可视化Agent行为,并支持自定义插桩以识别和修复故障模式。
-
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。