以前排障，是找页面。

现在排障，是问 AI，直接给出结论和解决方法。

最近体验了一款开源 AI 可观测性平台 DataBuff，原本以为它只是把 AI 集成到了 APM 里，玩了一上午之后才发现，它真正吸引我的并不是那些监控图表，而是它把整个应用运维变成了一个 AI 工作台。

如果你做过运维、SRE、DevOps ，一定经历过这样的场景：

突然收到一条告警。大概率会经历下面这些排查链路：

真正耗费时间的，往往不是修复故障，而是找到真正的问题在哪里。

而 DataBuff 想改变的，就是这个过程。

它不是让你学会更多菜单，而是让你先问问题，再去分析数据。

下面就带你玩转DataBuff。

项目地址：

https://github.com/databufflabs/databuff

传统 APM，更像驾驶舱

先说说传统的APM可观测平台，无论是 SkyWalking、Jaeger、Zipkin，还是各种商业 APM，本质都差不多：

给你很多页面，给你很多图，给你很多指标。剩下的.....自己分析。

对于经验丰富的 SRE 来说，这不是问题。

但是对于新人来说，就有点像第一次坐进飞机驾驶舱。

按钮很多，菜单很多。但是不知道先点哪个，学习成本也高。

DataBuff 更像一个会干活的运维助手

DataBuff 的 AI 工作台想做的事情就很简单：把这些专家操作变成自然语言。

它并不是一个简单聊天机器人。背后连着的都是真实的 APM 数据：

• Trace 调用链；
• 服务指标；
• 全局拓扑；
• 告警事件；
• 数据库、缓存、MQ 等组件调用。

AI工作台的回复都基于这些真实数据，分析整合得出的结论。

下面就来看几个场景：

场景一：日常巡检只需一句话

最适合先玩的场景，是巡检。

以前巡检可能要打开多个页面：服务列表、拓扑、错误率、延迟、告警、慢 SQL。

现在可以直接问：

帮我巡检一下最近 1 小时的核心服务，看看有没有异常。

AI工作台会巡检系统内所有服务。

最后AI会给出详细的巡检报告：

甚至还会告诉你：是否需要进一步排查，若你系统有问题，继续根据存在问题追问即可。

你不用先知道哪个页面有答案，先让 AI 出一版巡检结论，再人工复核重点服务就行。

场景二：不用翻 Trace，让 AI 自己找

排查性能问题时，很多人会卡在 Trace 页面：筛选条件怎么填？时间范围选多久？按什么排序？

到底该看哪一条？

一条一条翻非常耗费时间。

现在直接问：

帮我找最近 30 分钟最慢的 5 条 Trace，并说明主要耗时在哪个服务或组件。

AI 很快整理出来：

哪条 Trace 最慢，耗时多少，主要耗时分布，都会展示出来。

最终会给你一个结论，主要耗时在哪个服务，分析为什么会这么慢。

场景三：拓扑变红，让 AI 沿链路往下追

微服务排障里有个很常见的误区：入口服务红了，不代表入口服务就是根因。

比如拓扑里 service-a 变红，真正的问题可能在更下游的数据库。

你直接问：

service-a 为什么变红？帮我沿着下游调用链分析一下。

AI就会开始分析调用关系。

随后就会给出结论。

这种体验对初级运维，临时值班同学很友好：不一定马上知道所有排障细节，但可以顺着 AI 的结论继续查。

场景四：让AI 帮你找慢 SQL

数据库永远都是应用性能瓶颈之一。

传统排查流程通常是：看到接口慢--》打开 Trace--》找数据库 Span--》再去慢 SQL 页面交叉验证--。最后判断是不是 SQL、索引或数据库负载问题

现在可以直接问：

帮我找最近 1 小时调用次数最多、耗时最高的慢 SQL。

AI 可以把 Trace 和慢 SQL 结合起来看，经过分析，会给出详细的结论和建议。

还有很多常见的运维场景：

• 自动生成事故复盘
• 帮你写巡检日报
• 检查某个服务的健康状态

DataBuff的AI工作台都可以帮助你完成，我就不一一展开了，你可以自己下载一个试试。若第一次没有达到你的要求，还可以多次追问，直到满意为止。

我试玩时最喜欢问 AI 的 20 个问题

如果你准备体验 DataBuff，我建议直接试试下面这些问题：

汇总最近1小时系统健康情况？哪个服务错误率最高？最近最慢的5条Trace是什么？为什么Payment Service变红？数据库是不是瓶颈？最近新增哪些慢SQL？上线以后哪些指标发生变化？昨天晚上22点发生了什么？Redis有没有异常？Kafka消费正常吗？哪些服务最值得重点关注？帮我生成今天巡检报告。帮我写事故复盘。告诉我下一步应该查什么。

很多问题，其实并不复杂。但以前需要点十几个页面。现在只需一句话。

体验完 DataBuff 后，我最大的感受并不是：

它又做了一个新的 APM。

而是：

它重新定义了运维与监控平台的交互方式。

现在，我们更像是在和一个懂业务、懂调用链、懂数据库、懂可观测性的 AI 同事协作。

如果有啥不懂都可以在AI工作台进行询问，接入数据也很方便。

如果你正在关注 AI + 运维、AI + 可观测性、AI Agent 等方向，不妨体验一下 DataBuff，或许它会给你一些新的启发，如果觉得可以，可以点点 star，让更多的人看到。

GitHub：https://github.com/databufflabs/databuff

官网：https://databuff.ai

如果你也发现了更多有趣的玩法，欢迎一起交流，DataBuff也在持续研发更多功能。

最终目的是为了实现：

从 AI 辅助看，到 AI 自主管