Quarkus AI Root Cause Analysis gibt Daten aus Tempo, Loki und Prometheus per MCP an ein LLM
Das Quarkus-Projekt hat AI Root Cause Analysis vorgestellt, eine quelloffene Quarkus-Anwendung, die sich über das Model Context Protocol mit einem vorhandenen Grafana-LGTM-Stack verbindet und ein Sprachmodell erklären lässt, was schiefgelaufen ist. Ales Justin beschrieb sie am 10. November im Quarkus-Blog.
Der Ablauf folgt den Schritten, die ein Entwickler von Hand gehen würde. Das Werkzeug holt aktuelle Traces aus Tempo und wählt jene mit Fehlern, hoher Latenz oder ungewöhnlichen Mustern aus, zieht für jeden Trace die Logs aus Loki und ordnet sie einzelnen Spans zu und fragt Prometheus nach Metriken im selben Zeitfenster. Das Modell erhält das Gesamtbild und liefert einen strukturierten Bericht mit Ursachen, Schweregrad, Folgefehlern und nächsten Schritten. Auf Wunsch liest es über Quarkus Dev MCP auch den Quellcode der überwachten Anwendungen und erzeugt Grafana-Dashboards zu den gefundenen Problemen, die direkt im Arbeitsbereich jeder Anwendung landen.
Als entscheidenden Teil nennt der Beitrag die Datenaufbereitung. Rohe Telemetrie aus MCP füllt das Kontextfenster eines Modells schnell, deshalb filtert ein Client-Dekorator die Ausgabe jedes Werkzeugs, bevor sie das Modell erreicht: SDK-Metadaten und localhost-Attribute fliegen aus den Traces, doppelte Felder aus den Logs, Netty-Interna, konstante Werte und Histogramm-Buckets aus den Metriken. Bei Metriken nennt der Beitrag eine Reduktion von 586 Einträgen auf etwa 35.
Im Beispiel antwortet ein Gateway in drei Sekunden; das Werkzeug findet auf dem Backend Warnungen über einen erschöpften Connection-Pool und einen JVM-Heap bei 92 Prozent mit häufiger Garbage Collection und benennt den Pool als Ursache, die Gateway-Latenz als Symptom. Die Anwendung läuft als Uber-Jar aus Maven Central gegen einen bestehenden Stack oder im Dev-Modus, in dem Dev Services automatisch einen LGTM-Stack starten. Anbieter werden über Maven-Profile gewählt: standardmäßig OpenAI, dazu Grok, Gemini und watsonx.

Warum das wichtig ist
Der nützliche Teil ist nicht das Modell, sondern der Filter davor. Ob eine Zusammenfassung stimmt, hängt weiter von der gelieferten Telemetrie ab; der Bericht ist eine Spur, die ein Entwickler prüft, kein Urteil.