1复杂排障：5 个窗口、拼 30 分钟
凌晨告警：「下单链路为什么变慢？」 要答 P99、慢 Trace、根因、故障群报告。
传统做法：Grafana → Jaeger → 拓扑 → 手写结论。图都在，根因靠人肉拼图，一轮 20～30 分钟。
痛点：监控只给数据不给结论，各系统各查各的。
2DataBuff：一句目标，AI 军团串证据链
开源 AI Native OTel APM。OTel 接入 + Doris 存储 + 多 Agent 排障。
一句话：组织 AI 军团把指标、Trace、拓扑串成可转发故障群的报告。
35 分钟跑起来
curl -fsSL https://databuff.ai/databuff/ai-apm-install.sh | bash
打开 http://localhost:27403（admin / Databuff@123）
设置 → AI 模型，填入 LLM API Key：
Demo 数据：curl -fsSL https://databuff.ai/databuff/ai-apm-demo-install.sh | bash
4回到文首排障：多 Agent 联合作战
把 §1 请求丢进 AI 对话框——5 张图来自同一次对话（140 实拍）。
①
抛出目标 — P99、Trace、根因、报告一次说完。
②
大脑派发 — dispatchExpertTask 给问数 + 巡检。
③
智能问数 — 拆入口 240ms 到各 Span。
④
智能巡检 — 拓扑 + 慢 Trace + 指标定位瓶颈。
⑤
汇总交付 — 处置建议 + 故障群报告。
对比 §1：5 窗口 30 分钟 → 一条消息几分钟拿根因报告。
5从人肉拼图到指挥 AI 军团
不必再开 5 个窗口。数据留本地，代码开源可审计。
| 模块 | 能力 |
|---|---|
| 📊 应用性能 | 拓扑、P99、慢 Trace 下钻 |
| 🤖 AI 军团 | 多 Agent 查数，合成报告 |
| 🔌 OTel | Trace/Metric/Log 统一存储 |
⭐ 5 分钟召唤运维 AI 军团
curl -fsSL https://databuff.ai/databuff/ai-apm-install.sh | bash
试一句：「分析下单链路变慢，生成故障群报告。」
GitHub 开源 →