尧图网页设计 
VictoriaMetrics AI 工具生态MCP Server、Agent Skills 与 OpenTelemetry AI 可观测性集成指南【免费下载链接】VictoriaMetricsVictoriaMetrics: fast, cost-effective monitoring solution and time series database项目地址: https://gitcode.com/GitHub_Trending/vi/VictoriaMetrics导读本指南以仓库 docs/ai-tools/README.md 为主体系统梳理 VictoriaMetrics Observability Stack 面向 AI 助手与自动化工具的三类集成能力通过MCPModel Context ProtocolServer向 AI 智能体结构化暴露指标、日志、链路追踪与异常检测能力通过Agent Skills为 AI 智能体提供预定义的可观测性工作流并基于原生OpenTelemetryOTLP接入构建面向 AI 应用自身的可观测性。读完本文你将掌握 VictoriaMetrics 全套 AI 集成组件的功能边界、vmanomaly UI Copilot 的启用与配置方法以及如何在当前仓库源码中找到对应实现。一、集成总览AI 助手如何接入 VictoriaMetricsVictoriaMetrics Observability Stack 通过两类途径与 AI 助手协作MCP Servers以结构化方式向 AI 智能体暴露可观测性数据与运维能力使智能体能够查询遥测数据、分析系统行为并在排障与调查工作流中协助工程师Agent Skills为 AI 智能体和自动化工具提供如何理解、操作并排障 VictoriaMetrics 各组件的预定义工作流。与此同时由于 VictoriaMetrics、VictoriaLogs、VictoriaTraces 分别对 OpenTelemetry 的指标、日志、链路三大信号提供原生接入支持详见 docs/opentelemetry/README.md任何能够以 OpenTelemetry 格式发出遥测信号的 SDK 或 AI 助手都可以无缝接入 VictoriaMetrics 栈这使得该栈成为AI 可观测性AI observability场景的理想后端。仓库中该主题的唯一入口文档为 docs/ai-tools/_index.md其正文通过{{% content README.md %}}直接嵌入上表所列内容以下各节均围绕它展开。二、MCP Servers把可观测性能力交给 AI 智能体MCPModel Context ProtocolServer 将可观测性数据和运维能力以结构化、标准化的方式暴露给 AI 助手从而支持智能体查询遥测数据、分析系统行为并在故障调查与排障流程中充当工程师的得力助手。VictoriaMetrics 目前提供四个官方 MCP Server分别对应指标、日志、链路与异常检测四类场景均为独立于本仓库的配套项目。2.1 VictoriaMetrics MCP Server指标面向 VictoriaMetrics 实例提供访问能力与 VictoriaMetrics API 及官方文档深度集成为工程师与工具提供完整的监控、可观测性与调试交互接口。其能力包括查询指标与探索数据若客户端支持还可直接绘制图表列出并导出可用的指标、标签、标签值以及完整时间序列分析与测试告警规则和 recording rules 及其告警展示 VictoriaMetrics 实例的运行参数探索数据的cardinality与指标使用统计分析、追踪、美化并解释查询语句调试relabeling 规则、下采样downsampling与保留期retention策略配置集成 VictoriaMetrics Cloud。2.2 VictoriaLogs MCP Server日志面向 VictoriaLogs 实例提供访问能力与 VictoriaLogs HTTP API 及官方文档集成为日志处理、可观测性与调试任务提供完整接口。其能力包括查询日志与探索日志数据展示 VictoriaLogs 实例的运行参数列出可用的日志流streams、字段fields与字段值field values将日志查询统计作为指标输出logs-as-metrics。2.3 VictoriaTraces MCP Server链路追踪面向 VictoriaTraces 实例提供访问能力使 AI 助手与工具能够与分布式追踪数据进行交互服务于可观测性与调试任务。其能力包括获取服务与操作span names列表查询链路traces探索并分析链路数据。2.4 vmanomaly MCP Server异常检测与 vmanomaly 的 REST API 及文档无缝集成用于 AI 辅助的异常检测、模型管理与可观测性洞察。其能力包括检查 vmanomaly 的健康状态、构建信息、兼容性与自监控指标检查模型 schema校验模型或完整服务配置对采样查询结果进行画像分析趋势、季节性、变点、数据缺口、间歇性行为运行异步自动调优autotune任务并将其结果转化为数据驱动的模型推荐生成完整的 vmanomaly YAML 配置以及 vmalert 告警规则对内置 vmanomaly 文档进行模糊匹配检索。提示上述 MCP Server 均以 HTTP 或 streamable 模式运行供支持 MCP 的 AI 客户端如 Claude Code、各类 IDE 插件等连接。它们与当前仓库的解耦关系意味着仓库内的 vmanomaly 相关文档 与 UI 文档 是理解这些 MCP Server 行为的本地依据。三、vmanomaly UI Copilot内置 AI 助手在 MCP Server 与 Agent Skills 之上vmanomaly 的 Web UI自 v1.26.0 起内置默认端口 8490还提供了内置 AI 助手Copilot自 v1.29.0 起可用。它能够理解用户在 UI 中的当前异常检测配置帮助用户在不离开 UI、不手动翻文档、甚至无需成为异常检测专家的情况下更快迭代并获得更好的检测结果。3.1 Copilot 能做什么针对任意模型提问例如 Temporal Envelope、Online Seasonal Quantile、Online Z-score 等模型的参数、取舍与适用场景改进检测质量描述问题如误报太多漏掉了尖峰Copilot 会读取当前配置、检索文档并给出经过校验的配置修改建议内联配置建议建议以带解释和 YAML diff 的交互卡片呈现点击Apply直接写入当前设置或点击Decline继续对话画像并调优真实查询自 v1.30.0 起当连接了 mcp-vmanomaly 时Copilot 可检查有界时间序列特征、推荐在线模型、启动异步 autotune 任务并应用其校验过的查询与模型建议。3.2 启用与配置 CopilotAI Assistant 默认关闭需要显式启用并配置 LLM 提供商凭据与模型# 启用 Copilot export VMANOMALY_COPILOT_ENABLEDtrue # 显式指定模型不要依赖隐式默认模型 export VMANOMALY_COPILOT_MODELopenai:gpt-5-mini支持的提供商与模型格式详见 docs/anomaly-detection/UI.md 的 AI Assistance 一节提供商所需环境变量模型格式示例AnthropicANTHROPIC_API_KEYanthropic:claude-sonnet-5OpenAIOPENAI_API_KEYopenai:gpt-5-mini、openai-responses:modelOpenAI 兼容非 OpenAIOPENAI_BASE_URLOPENAI_API_KEYopenai:modelAzure OpenAIAZURE_OPENAI_ENDPOINTOPENAI_API_VERSIONAZURE_OPENAI_API_KEY或AZURE_OPENAI_AD_TOKENopenai:modelGoogleGLA/VertexGOOGLE_API_KEY或GOOGLE_APPLICATION_CREDENTIALSgoogle-gla:gemini-2.5-pro-previewAWS BedrockAWS_BEARER_TOKEN_BEDROCKAWS_DEFAULT_REGION或 AK/SK IAMbedrock:anthropic.claude-sonnet-4-5-20250929-v1:0OpenRouterOPENROUTER_API_KEYopenrouter:anthropic/claude-sonnet-4-5注意OPENAI_BASE_URL与AZURE_OPENAI_ENDPOINT不可同时设置。3.3 连接 MCP 工具服务器Copilot 通过VMANOMALY_MCP_SERVER_URL连接 mcp-vmanomaly 以获得完整工具能力内置文档、模型配置与校验、告警推荐、服务健康检查等仅支持 HTTP 模式且 MCP Server 必须能从 vmanomaly 容器内访问export VMANOMALY_MCP_SERVER_URLhttp://localhost:8081/mcp若 vmanomaly 运行在 Docker 中应将两个容器置于同一网络并按容器名互相访问例如docker network create vmanomaly-network docker run -d --rm \ --name mcp-vmanomaly \ --network vmanomaly-network \ -e VMANOMALY_ENDPOINThttp://vmanomaly-instance:8490 \ -e MCP_SERVER_MODEhttp \ -e MCP_LISTEN_ADDR:8081 \ ghcr.io/victoriametrics/mcp-vmanomaly docker run -it --rm \ --name vmanomaly-instance \ --network vmanomaly-network \ -e VMANOMALY_COPILOT_ENABLEDtrue \ -e OPENAI_API_KEY$OPENAI_API_KEY \ -e VMANOMALY_COPILOT_MODELopenai:gpt-5-mini \ -e VMANOMALY_MCP_SERVER_URLhttp://mcp-vmanomaly:8081/mcp \ -p 8080:8080 \ -p 8490:8490 \ victoriametrics/vmanomaly:v1.30.4 \ vmanomaly_config.yaml3.4 Copilot 的工作机制与最佳实践Copilot 以聊天弹窗形式锚定在页面右下角面板可通过拖动左边缘调整大小。它是上下文感知的会自动读取 UI 中的活动模型、调度器与异常检测设置无需手动粘贴配置自 v1.29.2 起还可读取和修改完整 UI 设置数据源 URL、查询参数、调度器设置等从而给出更贴合上下文的建议。实际调试经验来自 UI 变更记录显示Copilot 建议与模型向导、生成的模型配置之间保持同步并能在工具调用被取消或不完整时优雅恢复。四、Agent Skills预定义的可观测性工作流Agent Skills 帮助 AI 智能体与自动化工具理解、操作并排障 VictoriaMetrics 的观测组件覆盖指标、日志、链路与 vmanomaly。这些技能提供预定义工作流例如查询指标、日志、链路与告警链路查询分析trace analysis多信号联合调查multi-signal investigationsCardinality 优化未使用指标检测流式聚合stream aggregation配置依据实测时间序列特征季节性、变点、趋势构建经校验的 vmanomaly 配置查询与操作 vmanomaly API基于真实数据审查既有异常检测配置识别误报与模型-数据拟合问题。安装方式面向 AI 代理的环境npx skills add VictoriaMetrics/skills安装完成后AI 智能体即可按技能提供的步骤执行上述调查与优化工作流。在仓库内与技能覆盖能力对应的本地参考包括流式聚合文档、vmalert 文档 以及 异常检测系列文档。五、AI observability用 OpenTelemetry 观测 AI 应用本身5.1 三大信号三大专用后端VictoriaMetrics 栈为 OpenTelemetry 的每种信号类型提供了专用数据库见 docs/opentelemetry/README.mdVictoriaMetrics→ Metrics指标VictoriaLogs→ Logs日志VictoriaTraces→ Traces链路每个数据库针对自身信号与使用场景做了专门优化兼顾可维护性与效率。各组件均支持通过 OpenTelemetry ProtocolOTLP从 OpenTelemetry Collector 与 SDK 接入数据单节点版、vmagent、vminsert 支持指标VictoriaLogs 单节点版、vlagent、vlinsert 支持日志VictoriaTraces 单节点版与 vtinsert 支持链路。5.2 源码级验证OTLP 指标接入链路在仓库中OTLP 指标的接入实现位于 app/vminsert/opentelemetry/request_handler.go 与 app/vmagent/opentelemetry/request_handler.go。从源码结构可以确认入口InsertHandler接收 HTTP 请求通过Content-Type区分 JSON 与 protobuf 编码其中 JSON 仅用于 AWS Firehose 协议X-Amz-Firehose-Protocol-Version头其余场景要求 protobuf 编码请求会应用 extra labelsprotoparserutil.GetExtraLabels并支持Content-Encodinggzip/zstd 等压缩解析后的数据经 lib/protoparser/opentelemetry 进入统一写入管线埋点指标如vm_rows_inserted_total{typeopentelemetry}可用于观测 OTLP 摄入量。类似的日志的 OTLP 接入由 vlinsert/vlagent 组件承担链路则由 vtinsert 承担。这意味着任何能产出 OTLP 信号的 AI 应用或 SDK都可以直接接入这套栈。5.3 应用场景AI Agent 与 AI 编码工具的观测官方文档明确了两类高价值场景AI Agent 观测使用 OpenLLMetry、OpenInference、OpenLIT 等自动埋点库监控 AI 智能体。基于 OpenTelemetry 的三信号支持任何 SDK 或 AI 助手都能接入AI 编码工具观测vibe coding observabilityClaude Code、OpenAI Codex、Gemini CLI、Qwen Code、OpenCode 等 AI 编码助手会暴露内部遥测有助于监控成本消耗、分析、性能、合规性并改善排障体验。这些主流 AI 编码工具均支持 OpenTelemetry可轻松接入 VictoriaMetrics 栈。仓库中的 OpenTelemetry 接入指南 提供了从采集到查询的完整实践路径是落地上述场景的首选参考。六、小结与选型建议场景推荐组件本地参考文档AI 智能体查询指标并调试规则VictoriaMetrics MCP Serverurl-examples.mdAI 智能体查询日志/链路VictoriaLogs / VictoriaTraces MCP ServerOpenTelemetry 指南UI 内 AI 辅助异常检测建模vmanomaly UI Copilot mcp-vmanomalyUI.md多信号联合调查、cardinality 优化等自动化工作流Agent Skills异常检测文档观测 AI 应用/编码助手自身OTLP 接入 三大后端getting-started-with-opentelemetry实际落地时建议按先由 Agent Skills 完成自动化调查工作流再由 MCP Server 提供细粒度交互能力最后通过 vmanomaly UI Copilot 在 Web 界面内完成模型迭代的分层方式组合使用以覆盖从排障到建模的完整 AI 辅助闭环。【免费下载链接】VictoriaMetricsVictoriaMetrics: fast, cost-effective monitoring solution and time series database项目地址: https://gitcode.com/GitHub_Trending/vi/VictoriaMetrics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 VictoriaMetrics AI 工具生态：MCP Server、Agent Skills 与 OpenTelemetry AI 可观测性集成指南
VictoriaMetrics AI 工具生态MCP Server、Agent Skills 与 OpenTelemetry AI 可观测性集成指南【免费下载链接】VictoriaMetricsVictoriaMetrics: fast, cost-effective monitoring solution and time series database项目地址: https://gitcode.com/GitHub_Trending/vi/VictoriaMetrics导读本指南以仓库 docs/ai-tools/README.md 为主体系统梳理 VictoriaMetrics Observability Stack 面向 AI 助手与自动化工具的三类集成能力通过MCPModel Context ProtocolServer向 AI 智能体结构化暴露指标、日志、链路追踪与异常检测能力通过Agent Skills为 AI 智能体提供预定义的可观测性工作流并基于原生OpenTelemetryOTLP接入构建面向 AI 应用自身的可观测性。读完本文你将掌握 VictoriaMetrics 全套 AI 集成组件的功能边界、vmanomaly UI Copilot 的启用与配置方法以及如何在当前仓库源码中找到对应实现。一、集成总览AI 助手如何接入 VictoriaMetricsVictoriaMetrics Observability Stack 通过两类途径与 AI 助手协作MCP Servers以结构化方式向 AI 智能体暴露可观测性数据与运维能力使智能体能够查询遥测数据、分析系统行为并在排障与调查工作流中协助工程师Agent Skills为 AI 智能体和自动化工具提供如何理解、操作并排障 VictoriaMetrics 各组件的预定义工作流。与此同时由于 VictoriaMetrics、VictoriaLogs、VictoriaTraces 分别对 OpenTelemetry 的指标、日志、链路三大信号提供原生接入支持详见 docs/opentelemetry/README.md任何能够以 OpenTelemetry 格式发出遥测信号的 SDK 或 AI 助手都可以无缝接入 VictoriaMetrics 栈这使得该栈成为AI 可观测性AI observability场景的理想后端。仓库中该主题的唯一入口文档为 docs/ai-tools/_index.md其正文通过{{% content README.md %}}直接嵌入上表所列内容以下各节均围绕它展开。二、MCP Servers把可观测性能力交给 AI 智能体MCPModel Context ProtocolServer 将可观测性数据和运维能力以结构化、标准化的方式暴露给 AI 助手从而支持智能体查询遥测数据、分析系统行为并在故障调查与排障流程中充当工程师的得力助手。VictoriaMetrics 目前提供四个官方 MCP Server分别对应指标、日志、链路与异常检测四类场景均为独立于本仓库的配套项目。2.1 VictoriaMetrics MCP Server指标面向 VictoriaMetrics 实例提供访问能力与 VictoriaMetrics API 及官方文档深度集成为工程师与工具提供完整的监控、可观测性与调试交互接口。其能力包括查询指标与探索数据若客户端支持还可直接绘制图表列出并导出可用的指标、标签、标签值以及完整时间序列分析与测试告警规则和 recording rules 及其告警展示 VictoriaMetrics 实例的运行参数探索数据的cardinality与指标使用统计分析、追踪、美化并解释查询语句调试relabeling 规则、下采样downsampling与保留期retention策略配置集成 VictoriaMetrics Cloud。2.2 VictoriaLogs MCP Server日志面向 VictoriaLogs 实例提供访问能力与 VictoriaLogs HTTP API 及官方文档集成为日志处理、可观测性与调试任务提供完整接口。其能力包括查询日志与探索日志数据展示 VictoriaLogs 实例的运行参数列出可用的日志流streams、字段fields与字段值field values将日志查询统计作为指标输出logs-as-metrics。2.3 VictoriaTraces MCP Server链路追踪面向 VictoriaTraces 实例提供访问能力使 AI 助手与工具能够与分布式追踪数据进行交互服务于可观测性与调试任务。其能力包括获取服务与操作span names列表查询链路traces探索并分析链路数据。2.4 vmanomaly MCP Server异常检测与 vmanomaly 的 REST API 及文档无缝集成用于 AI 辅助的异常检测、模型管理与可观测性洞察。其能力包括检查 vmanomaly 的健康状态、构建信息、兼容性与自监控指标检查模型 schema校验模型或完整服务配置对采样查询结果进行画像分析趋势、季节性、变点、数据缺口、间歇性行为运行异步自动调优autotune任务并将其结果转化为数据驱动的模型推荐生成完整的 vmanomaly YAML 配置以及 vmalert 告警规则对内置 vmanomaly 文档进行模糊匹配检索。提示上述 MCP Server 均以 HTTP 或 streamable 模式运行供支持 MCP 的 AI 客户端如 Claude Code、各类 IDE 插件等连接。它们与当前仓库的解耦关系意味着仓库内的 vmanomaly 相关文档 与 UI 文档 是理解这些 MCP Server 行为的本地依据。三、vmanomaly UI Copilot内置 AI 助手在 MCP Server 与 Agent Skills 之上vmanomaly 的 Web UI自 v1.26.0 起内置默认端口 8490还提供了内置 AI 助手Copilot自 v1.29.0 起可用。它能够理解用户在 UI 中的当前异常检测配置帮助用户在不离开 UI、不手动翻文档、甚至无需成为异常检测专家的情况下更快迭代并获得更好的检测结果。3.1 Copilot 能做什么针对任意模型提问例如 Temporal Envelope、Online Seasonal Quantile、Online Z-score 等模型的参数、取舍与适用场景改进检测质量描述问题如误报太多漏掉了尖峰Copilot 会读取当前配置、检索文档并给出经过校验的配置修改建议内联配置建议建议以带解释和 YAML diff 的交互卡片呈现点击Apply直接写入当前设置或点击Decline继续对话画像并调优真实查询自 v1.30.0 起当连接了 mcp-vmanomaly 时Copilot 可检查有界时间序列特征、推荐在线模型、启动异步 autotune 任务并应用其校验过的查询与模型建议。3.2 启用与配置 CopilotAI Assistant 默认关闭需要显式启用并配置 LLM 提供商凭据与模型# 启用 Copilot export VMANOMALY_COPILOT_ENABLEDtrue # 显式指定模型不要依赖隐式默认模型 export VMANOMALY_COPILOT_MODELopenai:gpt-5-mini支持的提供商与模型格式详见 docs/anomaly-detection/UI.md 的 AI Assistance 一节提供商所需环境变量模型格式示例AnthropicANTHROPIC_API_KEYanthropic:claude-sonnet-5OpenAIOPENAI_API_KEYopenai:gpt-5-mini、openai-responses:modelOpenAI 兼容非 OpenAIOPENAI_BASE_URLOPENAI_API_KEYopenai:modelAzure OpenAIAZURE_OPENAI_ENDPOINTOPENAI_API_VERSIONAZURE_OPENAI_API_KEY或AZURE_OPENAI_AD_TOKENopenai:modelGoogleGLA/VertexGOOGLE_API_KEY或GOOGLE_APPLICATION_CREDENTIALSgoogle-gla:gemini-2.5-pro-previewAWS BedrockAWS_BEARER_TOKEN_BEDROCKAWS_DEFAULT_REGION或 AK/SK IAMbedrock:anthropic.claude-sonnet-4-5-20250929-v1:0OpenRouterOPENROUTER_API_KEYopenrouter:anthropic/claude-sonnet-4-5注意OPENAI_BASE_URL与AZURE_OPENAI_ENDPOINT不可同时设置。3.3 连接 MCP 工具服务器Copilot 通过VMANOMALY_MCP_SERVER_URL连接 mcp-vmanomaly 以获得完整工具能力内置文档、模型配置与校验、告警推荐、服务健康检查等仅支持 HTTP 模式且 MCP Server 必须能从 vmanomaly 容器内访问export VMANOMALY_MCP_SERVER_URLhttp://localhost:8081/mcp若 vmanomaly 运行在 Docker 中应将两个容器置于同一网络并按容器名互相访问例如docker network create vmanomaly-network docker run -d --rm \ --name mcp-vmanomaly \ --network vmanomaly-network \ -e VMANOMALY_ENDPOINThttp://vmanomaly-instance:8490 \ -e MCP_SERVER_MODEhttp \ -e MCP_LISTEN_ADDR:8081 \ ghcr.io/victoriametrics/mcp-vmanomaly docker run -it --rm \ --name vmanomaly-instance \ --network vmanomaly-network \ -e VMANOMALY_COPILOT_ENABLEDtrue \ -e OPENAI_API_KEY$OPENAI_API_KEY \ -e VMANOMALY_COPILOT_MODELopenai:gpt-5-mini \ -e VMANOMALY_MCP_SERVER_URLhttp://mcp-vmanomaly:8081/mcp \ -p 8080:8080 \ -p 8490:8490 \ victoriametrics/vmanomaly:v1.30.4 \ vmanomaly_config.yaml3.4 Copilot 的工作机制与最佳实践Copilot 以聊天弹窗形式锚定在页面右下角面板可通过拖动左边缘调整大小。它是上下文感知的会自动读取 UI 中的活动模型、调度器与异常检测设置无需手动粘贴配置自 v1.29.2 起还可读取和修改完整 UI 设置数据源 URL、查询参数、调度器设置等从而给出更贴合上下文的建议。实际调试经验来自 UI 变更记录显示Copilot 建议与模型向导、生成的模型配置之间保持同步并能在工具调用被取消或不完整时优雅恢复。四、Agent Skills预定义的可观测性工作流Agent Skills 帮助 AI 智能体与自动化工具理解、操作并排障 VictoriaMetrics 的观测组件覆盖指标、日志、链路与 vmanomaly。这些技能提供预定义工作流例如查询指标、日志、链路与告警链路查询分析trace analysis多信号联合调查multi-signal investigationsCardinality 优化未使用指标检测流式聚合stream aggregation配置依据实测时间序列特征季节性、变点、趋势构建经校验的 vmanomaly 配置查询与操作 vmanomaly API基于真实数据审查既有异常检测配置识别误报与模型-数据拟合问题。安装方式面向 AI 代理的环境npx skills add VictoriaMetrics/skills安装完成后AI 智能体即可按技能提供的步骤执行上述调查与优化工作流。在仓库内与技能覆盖能力对应的本地参考包括流式聚合文档、vmalert 文档 以及 异常检测系列文档。五、AI observability用 OpenTelemetry 观测 AI 应用本身5.1 三大信号三大专用后端VictoriaMetrics 栈为 OpenTelemetry 的每种信号类型提供了专用数据库见 docs/opentelemetry/README.mdVictoriaMetrics→ Metrics指标VictoriaLogs→ Logs日志VictoriaTraces→ Traces链路每个数据库针对自身信号与使用场景做了专门优化兼顾可维护性与效率。各组件均支持通过 OpenTelemetry ProtocolOTLP从 OpenTelemetry Collector 与 SDK 接入数据单节点版、vmagent、vminsert 支持指标VictoriaLogs 单节点版、vlagent、vlinsert 支持日志VictoriaTraces 单节点版与 vtinsert 支持链路。5.2 源码级验证OTLP 指标接入链路在仓库中OTLP 指标的接入实现位于 app/vminsert/opentelemetry/request_handler.go 与 app/vmagent/opentelemetry/request_handler.go。从源码结构可以确认入口InsertHandler接收 HTTP 请求通过Content-Type区分 JSON 与 protobuf 编码其中 JSON 仅用于 AWS Firehose 协议X-Amz-Firehose-Protocol-Version头其余场景要求 protobuf 编码请求会应用 extra labelsprotoparserutil.GetExtraLabels并支持Content-Encodinggzip/zstd 等压缩解析后的数据经 lib/protoparser/opentelemetry 进入统一写入管线埋点指标如vm_rows_inserted_total{typeopentelemetry}可用于观测 OTLP 摄入量。类似的日志的 OTLP 接入由 vlinsert/vlagent 组件承担链路则由 vtinsert 承担。这意味着任何能产出 OTLP 信号的 AI 应用或 SDK都可以直接接入这套栈。5.3 应用场景AI Agent 与 AI 编码工具的观测官方文档明确了两类高价值场景AI Agent 观测使用 OpenLLMetry、OpenInference、OpenLIT 等自动埋点库监控 AI 智能体。基于 OpenTelemetry 的三信号支持任何 SDK 或 AI 助手都能接入AI 编码工具观测vibe coding observabilityClaude Code、OpenAI Codex、Gemini CLI、Qwen Code、OpenCode 等 AI 编码助手会暴露内部遥测有助于监控成本消耗、分析、性能、合规性并改善排障体验。这些主流 AI 编码工具均支持 OpenTelemetry可轻松接入 VictoriaMetrics 栈。仓库中的 OpenTelemetry 接入指南 提供了从采集到查询的完整实践路径是落地上述场景的首选参考。六、小结与选型建议场景推荐组件本地参考文档AI 智能体查询指标并调试规则VictoriaMetrics MCP Serverurl-examples.mdAI 智能体查询日志/链路VictoriaLogs / VictoriaTraces MCP ServerOpenTelemetry 指南UI 内 AI 辅助异常检测建模vmanomaly UI Copilot mcp-vmanomalyUI.md多信号联合调查、cardinality 优化等自动化工作流Agent Skills异常检测文档观测 AI 应用/编码助手自身OTLP 接入 三大后端getting-started-with-opentelemetry实际落地时建议按先由 Agent Skills 完成自动化调查工作流再由 MCP Server 提供细粒度交互能力最后通过 vmanomaly UI Copilot 在 Web 界面内完成模型迭代的分层方式组合使用以覆盖从排障到建模的完整 AI 辅助闭环。【免费下载链接】VictoriaMetricsVictoriaMetrics: fast, cost-effective monitoring solution and time series database项目地址: https://gitcode.com/GitHub_Trending/vi/VictoriaMetrics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考