<p style="color:#222222; margin-left:8px; margin-right:8px; text-align:justify"><span><span style="color:#3f3f3f">今日，DeepFlow 社区版 MCP Server 正式发布，这也是业界首个 eBPF MCP Server。本文将会介绍 DeepFlow MCP Server 在应用性能管理中的使用场景，覆盖开发测试、业务巡检、故障诊断、成本优化全生命周期。未来已来，DeepFlow MCP Server 即将开启应用性能管理的智能化新时代！</span></span></p> 

01｜AI 智能体时代，为什么可观测性需要 MCP 化？

我们正在见证一个技术变革：AI 智能体正以爆发式速度渗透开发者日常工作。从 Cursor 重新定义代码编写体验，到各种垂直领域的 AI Agent 如雨后春笋般涌现，一个全新的 AI 原生开发生态 正在形成。AI Coding 场景更是成为了 最热门、最具价值的应用领域。

随着 AI 智能体的快速发展，Model Context Protocol (MCP) 应运而生，成为 AI 智能体与外部工具交互的统一标准。MCP 协议让任何支持该协议的 AI 智能体都能无缝接入外部服务，实现 “一次开发，处处可用” 的模式。这种标准化正在重塑整个 AI 应用生态，就像 HTTP 协议之于互联网一样重要。

作为专注云原生可观测性的技术团队，为了让更多 AI 智能体都能用上 DeepFlow 的可观测性数据。无论是 Cursor 中的代码助手，还是根因分析智能体等，它们都应该能够轻松获取和利用 DeepFlow 的可观测性数据。通过 MCP 协议，我们要让可观测性数据在 AI 生态中自由流动，创造更大的协同价值。

02｜首个 eBPF MCP Server 正式发布

DeepFlow 基于 eBPF 技术，为云原生应用提供零代码侵入的全栈可观测性数据，涵盖服务全景图、分布式链路追踪以及持续性能剖析等核心功能。随着 AI 智能体技术的快速发展和在开发者工作流中的深度应用，可观测性工具面临着与 AI 生态集成的挑战。基于这一技术趋势和社区需求，我们正式对外发布首个  eBPF MCP Server
https://github.com/deepflowio/deepflow/tree/main/server/mcp。当前版本重点提供持续性能剖析功能，可使各类 AI 智能体直接获取到函数级别的精细化性能分析结果。

Model Context Protocol (MCP) 是 Anthropic 推出的开放协议，专门用于 AI 模型与外部工具的标准化交互。MCP 定义了统一的接口规范，具有显著的优势：标准化接口、生态互通性、天然的扩展性。

03｜实战演示 – AI Coding 中的性能分析体验

我们通过构建一个具有典型性能瓶颈的 Go 应用程序，演示 DeepFlow MCP Server 在 AI 增强开发环境中的实际应用效果。本演示场景模拟了生产环境中常见的性能退化问题，展示 Cursor 如何通过 MCP 协议直接调用 DeepFlow MCP Server 获取持续性能剖析分析结果。整个技术流程涵盖从性能异常检测、热点函数识别，到结合特定 commit 的代码变更进行根因分析，最终输出具有可操作性的代码级优化建议的完整分析链路。

AI Coding 实战演示：「链接」点击查看视频

04｜立即上手 – Cursor 完整接入教程

接入教程以 K8s 环境为例。

Step 1 ：在应用运行环境中部署 DeepFlow

DeepFlow 部署（参考官网 部署文档[1] ），开启持续剖析功能（参考官网 配置方法文档[2] ）

Step 2 ：Pod 注入 git_commit_id label

为了实现基于 git commit id 的性能数据查询，需要在应用 Pod 上注入 git_commit_id label。生产环境建议通过 CI/CD 流程自动注入，本教程以手动修改 YAML 为例：

  <span style="color:#114ba6">template</span>:
    <span style="color:#114ba6">metadata</span>:
      <span style="color:#114ba6">labels</span>:
        <span style="color:#114ba6">git_commit_id</span>: <span style="color:#a82e2e">7</span>ea306a6dca26d54e65e350439cf8bd0d41c9482

Step 3 ：Cursor 中配置 DeepFlow MCP Server

在项目目录下的 .cursor 文件夹下，增加 mcp.json 文件，输入如下内容（其中 mcp server 端口默认为 20080）：

{
  <span>"mcpServers"</span>: {
    <span>"DeepFlow_Git_Commit_Profile"</span>: {
      <span>"url"</span>: <span style="color:#00753b">"http://$deepflow_controller_ip:20080/mcp"</span>, 
      <span>"headers"</span>: {}
    }
  }
}

Step 4 ：打开 Cursor 的 AI Chat

在 Cursor AI Chat 中输入需要分析的 commit id，AI 将自动获取该版本的性能分析报告。注意：确保该 commit 对应的应用已部署到 DeepFlow 监控环境中，且已采集到性能剖析数据。

05｜巡检、诊断、成本 – 应用性能管理全周期智能化

随着大语言模型和机器学习技术的深度发展，AI 驱动的可观测性将重塑整个应用生命周期管理模式：在开发阶段，通过智能化的性能回归检测和代码质量评估，实现开发左移的性能保障；在生产运行阶段，基于多维度数据融合的异常检测和自动化根因定位，提升故障响应效率；在业务运营层面，通过技术指标与业务 KPI 的关联分析，为产品和运营决策提供数据洞察支撑。这种全栈智能化的可观测性体系，将从根本上变革传统的应用性能管理范式。

在应用性能管理的生产环境中，DeepFlow 智能巡检系统基于 MCP Server 架构，集成了持续性能剖析、分布式链路追踪、服务拓扑发现、关键指标监控、结构化日志分析以及变更事件关联等全栈可观测性数据源。可实现了全天候的自动化性能巡检，通过智能化的异常检测和根因分析，为开发团队和 SRE 团队提供精准的性能优化建议和预防性维护策略，显著提升系统平均故障间隔时间（MTBF），实现故障的前置预防和风险消除。

DeepFlow 巡检智能体：「链接」点击查看视频

 

在应用故障应急响应场景中，DeepFlow 故障诊断智能体基于 MCP Server 提供的多维度全栈可观测性数据，精准快速的定位和修复线上故障。通过智能化的故障模式匹配和自动化根因推理，显著缩短平均故障恢复时间（MTTR），助力运维团队达成”5分钟精准定位、10分钟快速恢复”的SLA目标，将传统人工排查的小时级响应优化至分钟级的自动化处理。

DeepFlow 诊断智能体：「链接」点击查看视频

 

在云原生成本管理（FinOps）场景中，DeepFlow 成本优化智能体基于 MCP Server 提供的资源消耗指标数据和全栈剖析数据，通过智能识别资源密集型代码路径和低效算法模块，为开发团队提供量化的成本优化建议和具体的代码重构方案，并具备自动生成优化补丁、提交Pull Request的能力，实现从成本发现到代码优化的全自动化闭环管理。

06｜展望未来 – DeepFlow MCP Server 的无限可能

DeepFlow 社区版 MCP Server 的发布，希望持续推动 MCP Server 生态的开放发展，期待与越来越多的社区企业合作，在不同的业务场景中探索和实践 AI x 可观测性的创新应用。通过与社区企业的深度合作和持续创新，我们期待发现更多实际应用场景。

参考资料

[1]  部署文档:
https://deepflow.io/docs/zh/ce-install/overview/

[2]  配置方法文档:
https://deepflow.io/docs/zh/features/continuous-profiling/configuration/

 

想了解更多可观测性+AI 的实战经验，欢迎报名6月28日的《觉醒！当 AI 获得系统感知力》线下活动～看看腾讯、OpenAIOps社区、中国DevOps社区、金山办公的顶尖实践者的精彩分享！

https://mp.weixin.qq.com/s/yDtcWszv6kkYg9PsLgbqNQ 

                                                                                </div>

Source link