可观测性

用 Datadog 的 Tap to Parse 更快在日志中找到答案

Datadog 推出了一项叫 Tap to Parse 的 AI 辅助功能，用来解决日志里有用信息被埋在一整句话里、难以筛选和统计的问题。以前想从日志里提取状态码、耗时这类字段，得自己写复杂的正则或 Grok 规则，遇到不归自己管的服务或第三方系统就更麻烦。现在只要点一下某条日志并选择 Tap to Parse，Datadog 就会分析样例、自动生成解析规则，并让你先预览再应用，提取出的字段就能用来筛选、分组和画图。它能在 Log Explorer 里查询时用、在 Log Pipelines 里对以后新进的日志用，也能在 Observability Pipelines 里让日志离开你的环境前先结构化。目前 Log Explorer 和 Log Pipelines 中已正式可用，Observability Pipelines 中需申请开通。

在 Datadog MCP Server 中用代码执行降低 AI Agent 成本并提升准确率

Datadog 为它的 MCP Server 加了一个叫 Code Execution 的功能，让 AI Agent 查日志、指标、链路时可以在一个沙箱里写 JavaScript 代码自己跑查询、合并结果，只把最终需要的证据交回给模型，而不是每一步都来回问模型。以前用传统 MCP 工具做多数据源排查，模型要反复处理工具说明和原始响应，既占上下文又贵。Datadog 用 25 个排查任务、四个模型对比发现，答案正确率平均提升 15.6 个百分点，输入 token 少 73.2%，工具调用少 39.6%。该功能已 generally available，在 MCP Server 里启用 code-exec 工具集即可使用，代码在隔离沙箱中运行、不接触调用者凭证。

了解用户转化或流失的主要路径与 Journey Paths

Datadog 产品分析新推出 Journey Paths（用户旅程路径）功能，能帮你看清用户从进入到转化的完整路径。过去漏斗只能告诉你多少人中途流失，但不知道他们去了哪里、做了什么；现在 Journey Paths 会按频率排序展示每条路径，比如有人在付款前反复点击帮助链接最终离开，你可以直接对比转化用户和流失用户走的路线，再配合转化分析、会话回放和 RUM 数据定位具体是哪类用户遇到了什么问题。这项功能目前已在 Datadog 产品分析中提供，需付费账户使用，新用户可申请 14 天免费试用。

你的 AI agent 失败了，问题可能不在模型本身

AI agent 进入生产环境后，从收到请求到给出结果之间的路径越来越难预测：agent 会自己选工具、改路线，即使没有明显报错也可能一路错下去，所以光看日志和输入输出不够，还要弄清它的推理过程、用了哪些工具、在哪里卡住、又为什么换方法。英伟达产品副总裁 Adel el Hallak 在接受 The New Stack 采访时说，要把运行环境当作收集这些信息的地方，并推动约 140 家公司参与的 SAFE（Secure Agent Findings Exchange）共享 agent 失败经验，像传统软件披露漏洞那样让各家都能修补。对开发者来说，这意味着 agent 出问题不一定换模型就能解决，先弄清楚失败发生在模型、编排还是运行层，才知道该调什么。相关工具的实际开放状态和具体获取方式，原文未说明。

databuff：AI 原生 OpenTelemetry 应用性能监控平台

teddy6320/databuff · Monitor system performance with this AI-native OpenTelemetry application performance management platform.

databuff 是一个 AI 原生的 OpenTelemetry 应用性能管理（APM）平台，用于监控系统性能。据仓库简介，它结合 AI 与多智能体能力，涉及链路追踪（tracing）与根因分析（root-cause-analysis），仓库主题包含 ai、ai-agent、multi-agent、opentelemetry、apm、tracing、root-cause-analysis、database、api 等。README 仅一行标题，未提供更多安装、使用方法与限制说明。

AI Agent 治理：为什么它属于你的平台

Yelp、Platformable 和 Harness 的工程负责人最近在一场 LeadDev 讨论中提出，AI Agent 已经会自己提交代码改动、调整配置，速度常常超过人工审核。旧的做法是出了事再翻政策文档，但这样跟不上 Agent 的节奏。他们的建议是把治理直接做进内部开发平台：记录人和 Agent 的操作、控制 Agent 之间的访问和数据流动，并在流水线里用代码强制执行规则，还要能回滚模型版本。对平台团队来说，这意味着治理不再只是安全或合规部门的事，而是需要和安全、法务、财务一起商量的平台投入；越早做，越能在下次被问到“谁在盯着 Agent”时给出答案。

AI 时代的平台工程

InfoQ 举办了一场线上讨论，请来 Harness、DKB、Shine 的工程负责人聊平台工程在 AI 时代怎么变。起因是一个调查数据：94% 的工程负责人说，他们最想看的 AI 指标根本拿不到。讨论主要围绕两件事：一是哪些 AI 编程工具该由平台统一提供、哪些让团队自己选；二是过去给人类用的开发者门户，现在 AI 智能体也要直接调用，接口和权限护栏都还没有现成答案。对读者的用处是：它提醒平台团队要开始追踪 AI 花的钱和实际产出的代码，并重新设计面向人和智能体两套用户的开发体验。

AI 成本可见性：为什么有了政策仍挡不住意外账单

很多公司现在都写了 AI 花钱的规矩，比如预算上限是多少，但根本看不到钱实际花在哪儿。结果就是账单来了才发现超支，调查原因可能要好几天甚至一周。有调查显示，73% 的组织有 AI 成本政策，却只有 13% 能看清自己的 AI 开销，72% 在过去一年里被意外账单吓到过。光有政策不够，还得有能实时看到花费的手段，这样才可能提前发现哪个团队用了太贵的模型、或者重试循环把账单翻倍。

Datadog Observability Pipelines 推出 Microsoft Sentinel Packs：安全日志映射与路由

Datadog Observability Pipelines 发布 Microsoft Sentinel Packs，可将 Palo Alto、Fortinet、Cisco ASA、Cisco Meraki、ExtraHop 等来源的安全日志预先映射为 Sentinel 表结构（如 CommonSecurityLog、Syslog），并在管道中过滤噪声、控制按 GB 计费的摄取成本，同时保留完整原始日志。

Datadog 在 Slack 推出 Bits Chat：从告警到解决的全流程事件管理

Datadog 将 Bits Chat 引入 Slack，让响应者可在 Slack 频道内直接调用 Bits AI 调查告警、分析遥测数据、生成修复代码的 PR、执行补救操作并自动创建事后复盘笔记本，从而减少工具切换，加快事件响应。

演讲：教育工程师、信任 AI——教育如何实现自主代码审查

Sarah Deitke 讲述 Duolingo 如何在工具之外推动 AI 文化落地。她介绍内部 AI 素养工作坊与可观测性看板，并分享用自动化 PR 风险评估机器人重构代码审查的案例，展示针对性开发者教育与安全 AI 护栏相结合如何在不提高缺陷率的前提下加快交付。

在医疗与生命科学中扩展智能体：来自 Madrigal Pharmaceuticals、Abridge 和 Vizient 的经验

这篇文章讲的是，医疗和生命科学行业也在用 AI 智能体（能自动完成多步任务的程序），但这里的规矩比别的行业严得多。比如，一个错误答案可能涉及病人安全，所以光产品好用不够，还得能审计、合规、随时说清楚 AI 干了什么。文中举了三家机构的例子：Madrigal Pharmaceuticals 做了一个内部多智能体平台，帮员工查资料、做分析；Abridge 把医生和病人的对话自动变成病历，还能在整个流程里持续帮忙；Vizient 则让医院能查询原本锁在各个系统里的数据。对读者的用处是：能了解这个行业落地 AI 时最看重的可观测性、评估和成本控制，以及哪些场景已经产生了实际回报。

OpenMetrics：将 Prometheus 指标暴露格式演进为开放标准的规范项目

prometheus/OpenMetrics · Evolving the Prometheus exposition format into a standard.

OpenMetrics 是一个在 Prometheus exposition format 基础上扩展、并保持约 100% 向后兼容的规范项目，目前已迁入 Prometheus 组织并正在推进 OpenMetrics 2.0。仓库提供规范文件 specification/OpenMetrics.md、数据模型 proto proto/openmetrics_data_model.proto，以及提案流程说明（issue 分类标签、正式提案、已接受提案等），供社区讨论和贡献规范变更。

Dynatrace Release Radar 08.26：AI 安全、Kubernetes 标签与 Agentic Assist 更新

Dynatrace 发布 8 月更新综述，涵盖数据库故障排查、Kubernetes 元数据、AI 安全、边缘组件更新、数据增强、Agentic Assist 以及跨应用导航等能力。其中 Dynatrace Assist 对话启动器从生成式升级为 Agentic AI，可在实时环境上下文中调用工具进行问题调查与分析；OpenPipeline 新增内联查找处理器简化数据增强；AI 安全新增自动漏洞告警工作流和 dt-sec-insights 技能；Kubernetes 推出集中式标签策略统一元数据增强；Infrastructure & Operations 可直接跳转至 Logs、Clouds、Kubernetes 和 Services 并保留过滤条件。

用 Datadog 云成本管理监控 Cursor 成本

Datadog Cloud Cost Management 新增对 Cursor 的支持，可按用户和模型分析 AI 编程工具支出，检测异常成本波动，并与云、SaaS 及其他 AI 花费统一管理。

如何在智能体规模下安全运营共享平台

Datadog 分享在 AI 智能体规模化运行于共享平台时，如何对智能体需求建模、在资源竞争下分配容量并保持控制，涵盖容量约束、重试、生命周期假设与归因等问题。

微软 Azure SRE Agent：3千服务团队已用，处理超180万起事件

微软推出 Azure SRE Agent，已在内部3000多个服务团队使用，处理超过180万起事件，许多在数分钟内完成缓解。该 Agent 可分析遥测数据、定位根因、生成修复 PR，部分团队超过一半的事件由 Agent 自主处理。文章强调从提示工程到上下文工程再到 harness engineering 的演进，以及可验证、可审计的治理机制。

Datadog 被 Gartner 评为 2026 可观测性平台领域最值得关注公司

Datadog 在 2026 年 8 月 Gartner AI 供应商竞赛研究报告中被评为可观测性平台领域的 Company to Beat，并连续第六年入选 Gartner 可观测性平台魔力象限领导者。文章介绍其统一可观测性与安全平台、Bits Investigation、Agent Observability、Datadog MCP Server 等 40 多款产品，以及在成本控制、数据主权和 Agent 治理方面的投入方向。

欧洲与中东企业级 Agent 规模化实践：施耐德电气、Vodafone 与 monday.com 的经验

文章探讨欧洲与中东地区企业级 AI Agent 的落地路径，指出企业更倾向于先建平台再规模化，而非从单一聊天机器人起步。内容涵盖施耐德电气 350 人 AI Hub 支撑 60+ Agent 的 LLMOps 实践、monday.com 将 Sidekick 从单一大模型 Agent 重构为分层子 Agent 系统、Vodafone 基于 LangGraph 构建 Insight Engine 与 Enigma 两个生产级助手，并总结中央 Agent 平台、受监管文档与后台工作、风险合规安全运营、联邦式构建、可观测性与成本控制五大新兴模式。

CI通过、评估通过，客户仍拿到错误答案：AI功能的可观测性缺口

文章引用 Dynatrace 2026 年 SRE 与平台工程报告（调查 919 位企业负责人）指出，77% 的平台工程团队至少在部分服务中嵌入可观测性，但仅 40% 在所有部署中全面集成。传统服务会以 500 错误、延迟飙升等方式显式失败，而 AI 智能体可能返回 200、通过忠实度检查，却仍给出错误答案，即“安静地失败”。作者以文档问答智能体为例：客户询问 2026.3 版本的导出配置，CI 与既有评估均通过，但上线后回答变慢且部分内容描述旧版本。通过分布式追踪可见三次重复的文档搜索、product_version 为 null 的过滤条件，以及最终返回 2024.1、2023.9 等版本文档；此类失败并非生成问题，而是无人断言检索前置条件，且忠实度或检索相关性评估无法捕捉“相关但不适用于所请求版本”的情况。