Agentic Microservices：基于MCP和LangGraph的智能化可观测性系统

本项目通过MCP协议和LangGraph构建了一个智能可观测性代理，能够自动分析微服务的日志和监控数据，帮助开发者快速诊断生产环境问题。本文介绍其架构设计、核心组件和典型应用场景。

在微服务架构中，工程师经常需要回答以下问题：

• 为什么这个请求在生产环境响应这么慢？
• 当前的堆内存使用率是多少？
• 调用API时这个错误的详细堆栈是什么？

传统的工作流程是：打开Grafana查看指标趋势，切换到Splunk或Graylog查询相关日志，在多个系统间来回跳转，人工关联不同服务的trace ID。这个过程耗时且容易遗漏关键信息。

Agentic Microservices的核心洞察是：如果能把这些分散的数据源统一暴露给LLM，让AI自动完成关联分析，故障排查效率将大幅提升。

项目采用两层架构：

基于Spring AI实现的MCP（Model Context Protocol）服务器，负责读取聚合日志和监控数据。它统一封装了对底层数据源的访问，包括：

• JVM堆内存大小、请求速率、GC指标等监控数据
• 分布式服务的聚合日志
• 跨服务的关联ID追踪

MCP协议的价值在于标准化了AI与外部工具的交互接口。任何兼容MCP的客户端都可以调用这个服务器，无需关心底层数据存储的具体实现。

基于LangGraph构建的observability-debug-agent，负责协调分析流程：

1. 接收用户的自然语言查询（"为什么订单服务响应慢？"）
2. 规划数据收集策略，调用MCP服务器获取相关指标和日志
3. 将收集的数据发送给LLM（OpenAI API）进行分析
4. 返回结构化的诊断结果和建议

LangGraph的图结构允许定义复杂的多步骤工作流，代理可以根据中间结果决定下一步动作，实现真正的自主分析。

项目的技术选择体现了云原生和AI工程的最佳实践：

• Java 21：利用虚拟线程等现代特性
• Spring AI：简化AI应用开发，提供MCP支持
• LangGraph：构建复杂的代理工作流
• OpenAI API：LLM推理能力
• Docker Desktop + Kubernetes：本地开发和部署
• Grafana + Prometheus：监控和可视化
• Loki：日志聚合

这种技术组合兼顾了企业级Java生态的成熟度与AI工程框架的先进性。

项目文档展示了三个核心用例：

用户询问某个API为什么响应慢，代理自动：

1. 查询该API的P95/P99延迟趋势
2. 收集相同时间段的错误日志
3. 关联上下游服务的调用链
4. 识别可能的瓶颈（数据库慢查询、下游服务超时等）