DataBuff
基于 OpenTelemetry 的 AI 原生 APM 后端，开箱即用的多智能体故障排查，让大模型直接查询真实遥测数据完成根因定位。
证据仅有 README、LICENSE、CI 校验脚本与若干真实模型集成测试。README 推荐 curl|bash 一键安装远端脚本，未展示脚本内容或校验机制；多智能体把遥测数据（Trace/指标/日志）发给外部 LLM 提供商，但没有任何关于最小权限、用户确认、数据脱敏或外发数据范围的说明；卸载/回滚仅在离线安装段落间接暗示；发布者未经验证。多数信任标准只能给 1 分：能力存在暗示但无文件支撑。
提供的集成测试（brain stream/fan-in）相当细致，明确拒绝非本地 TEST_BASE_URL、要求真实 API Key、对重复回调与任务状态有断言，说明作者对协议一致性问题有真实认知；但这是集成测试片段而非完整的错误处理、依赖锁定或降级行为证据，故各项仅 1 分。
受众与场景描述较清楚（自托管 OpenTelemetry APM、AI 排障），双协议（OTLP/SkyWalking）与离线/K8s 安装说明体现一定环境适配；但能力边界、触发精度（多智能体何时派发哪个专家）只有演示截图与叙述，无规则或配置文件佐证。
README 结构清晰、有中英双语、文档目录、贡献指南链接；安装说明具体（端口、默认账号 admin/Databuff@123）。但扣分点明显：README 徽章写着 Apache-2.0 而 LICENSE 与正文为 AGPL-3.0，属自我矛盾；仓库内未见 CHANGELOG、版本策略或明确的维护者/响应机制；已知限制与 FAQ 缺失。
产品定位差异化明确（AI 原生 APM，非外挂聊天框），三组件架构声称极简部署，截图展示问数/根因/拓扑输出形态；但成本收益（LLM Token 成本、Doris 资源需求）无任何量化说明，效果声明均未经本仓库内证据可复算。
测试文件将事实（协议语义断言）与场景描述分离得较好，注释也解释了为何排除 thinking 消息；但 README 的核心宣传（『最强』『开箱即用』『已收录 CNCF Landscape』）多为不可追溯的断言，仓库内无对照证据，事实与推断的边界仅局部清晰，整体给 1 分。
- README 推荐 curl -fsSL ... | bash 直接执行远端脚本，无校验和或脚本预览，企业环境应先审计脚本再执行。
- 默认管理员账号 admin/Databuff@123 公开写在 README 中，部署后必须立即修改并限制 27403 端口暴露面。
- 多智能体会把遥测数据发给外部 LLM 提供商（Kimi/DeepSeek/GLM 等），上云前需评估敏感数据外发与脱敏策略，仓库内未见相关文档。
- 许可证信息自相矛盾：README 徽章为 Apache-2.0，正文与 LICENSE 为 AGPL-3.0，合规采购前需向发布方确认。
- 本次仅静态审阅少量文件，多智能体核心实现、权限模型与升级/回滚机制未在证据范围内，不能据此判断实际安全性。
这个 Agent 能做什么，适合哪些场景？
DataBuff（GitHub: databufflabs/databuff）是一个 AI 原生的应用性能监控（APM）后端，完全基于 OpenTelemetry 构建，宣称目标是打造最强的 OpenTelemetry APM 后端。它通过 OTLP 原生协议接入 Traces、Metrics 和 Logs，同时兼容 SkyWalking 原生 gRPC（端口 11800）以便平滑迁移，并支持 eBPF 内核级无侵入采集。其 AI 层由“AI Brain”编排查询、巡检、运维和问答等多个数字专家（智能体）并行协作，从自然语言查询到根因分析形成完整排障闭环，支持 Kimi、DeepSeek、GLM、Ollama 等任意 OpenAI 兼容 API。部署架构精简为 Ingest + Doris + Web 三个组件，一条 Docker 命令即可启动，支持离线安装和 Kubernetes 安装。项目以 AGPL-3.0 许可开源，已列入 OpenTelemetry 官方 Vendors 列表和 CNCF Landscape。
DataBuff 通过 OTLP gRPC 4317 / HTTP 4318 端口接收 Traces + Metrics + Logs，也可通过 SkyWalking 原生 gRPC 11800 接收 Trace、JVM 指标和日志，并可部署 eBPF（OBI DaemonSet）或 Nginx ngx_otel_module 实现无侵入接入。数据写入 Apache Doris 存储，Web UI 展示全局拓扑、服务列表、RED 指标和调用链下钻。AI 侧由 AI Brain 将复杂任务并行分派给查询、巡检、运维、问答等多个专家智能体，支持自然语言查询（如“哪个服务最慢”）、根因分析（拉取拓扑、指标排序、瓶颈归因）、告警闭环（阈值检测、定时评估、告警事件历史），并可通过 MCP 双向集成：向 Cursor / Claude 暴露能力，或接入 Prometheus 等外部 MCP。用户接入任意 OpenAI 兼容模型 API Key 后即可启用 AI 排障。
- SRE 团队希望用自然语言替代查询语言，直接问“哪个服务最慢”并获得 AI 排序结果
- 已投入 OpenTelemetry 埋点的微服务团队，需要一个自托管的 OTLP 原生后端替代商业 APM
- 正在从 SkyWalking 迁移的团队，可保留现有 exporter 地址切换到 DataBuff 的 11800 兼容端口
- 无法修改代码的老旧 Java 服务，可借助 eBPF 内核级采集获得调用链和性能数据
- 值班工程师处理线上告警时，用多智能体并行巡检生成可直接转发的故障报告
- 使用 Claude / Cursor 的开发者，可通过 MCP 让 IDE 助手直接查询生产遥测数据
这个 Agent 有哪些优点和局限？
- OTLP 原生接入，现有 OpenTelemetry 埋点无需改动即可上报，同时兼容 SkyWalking 11800 端口降低迁移成本
- AI 原生而非外挂聊天框：LLM 直接读取真实遥测数据做根因分析，多智能体开箱即用
- 部署极简：仅 Ingest + Doris + Web 三组件，一条 Docker 命令启动，支持离线和 K8s 安装
- 模型不锁定：支持 Kimi、DeepSeek、GLM、Ollama 等任意 OpenAI 兼容 API
- eBPF 无侵入采集，无需改代码即可获得调用链，并提供 MCP 双向集成
- 采用 AGPL-3.0 许可证，对商业集成和内部分发的合规要求比 Apache/MIT 更严格
- 存储强依赖 Apache Doris，引入了新的数据组件运维负担（README 标注的 Apache-2.0 徽章与正文 AGPL-3.0 声明不一致，需自行确认）
- AI 应用可观测性（LLM 调用链、token 分析等）仍在路线图（Roadmap）中，尚未交付
- 自托管方案需要自行承担 Ingest、Doris、Web 的容量规划与运维
- README 中缺少社区规模（Stars 数量级、贡献者、发版节奏）等可验证的成熟度证据
如何安装或部署这个 Agent？
标准安装（Ingest + Doris + Web 一条命令）：curl -fsSL https://databuff.ai/databuff/ai-apm-install.sh | bash
可选演示环境（自动上报 Trace）：curl -fsSL https://databuff.ai/databuff/ai-apm-demo-install.sh | bash
Kubernetes 安装：curl -fsSL https://databuff.ai/databuff/ai-apm-k8s-install.sh | bash（演示环境同理加 demo 脚本）
离线安装：从 https://databuff.ai/#install 下载 bundle 后：tar -zxvf databuff-ai-apm-offline-<version>-<arch>.tar.gz && cd databuff-ai-apm-offline-<version>-<arch> && sudo ./install.sh
如何使用这个 Agent？
安装完成后打开 http://YOUR_HOST:27403，使用默认账号 admin / Databuff@123 登录；添加一个 OpenAI 兼容模型的 API Key（支持 Kimi、DeepSeek、GLM、Ollama 等）即可启用 AI。将应用的 OpenTelemetry SDK / Collector 的 OTLP exporter 指向 gRPC 4317 或 HTTP 4318（或 SkyWalking exporter 指向 11800）开始上报数据；可选安装演示脚本快速查看拓扑。之后可在界面用自然语言发起查询、触发多智能体巡检、查看根因分析报告和全局拓扑。
这个 Agent 与同类方案有什么区别？
README 的文档中包含与 Jaeger、SigNoz、SkyWalking 等工具的对比（docs/业界对比/总览_en.md）。差异点：Jaeger 侧重分布式追踪但无指标/日志与 AI 排障；SigNoz 同为 OTLP 原生但 AI 多智能体能力非其主打；SkyWalking 被 DataBuff 直接兼容（11800 端口），可作为迁移来源。DataBuff 的核心差异化在于开箱即用的多智能体根因分析与自然语言查询。