在 AI 編碼代理人（Coding Agents）快速普及的今天，開發流程正發生根本性的轉變。工程師不再是逐行撰寫代碼，而是透過大型語言模型（LLM）來規劃與實作功能。然而，這種模式帶來了一個嚴重的認知斷層：傳統上，工程師在打字過程中會同步在腦中建立對程式碼變更的心理模型（Mental Model），但當 AI 直接產出差異文件（Diff）時，這個建立模型的過程消失了。即便有審核代理人或簡單的 LGTM（Looks Good To Me）核准，開發者往往在未完全理解代碼實際行為的情況下就將其合併，導致對系統變更的掌控力下降。
為了填補這個缺口，Grafana Labs 推出了兩款正式發布（GA）的工具：gcx CLI 與 Grafana MCP Server。這兩項工具的核心目的在於將觀測數據（Observability Data）重新引入開發迴路，讓 AI 代理人在編寫代碼時，能根據即時的系統運行數據而非僅憑訓練資料中的假設來做決定，將驗證邏輯從單純的代碼審查轉向以證據為基礎的行為驗證。
核心工具與運作機制
這兩款工具雖然都旨在讓 AI 代理人存取 Grafana 中的指標（Metrics）、日誌（Logs）、追蹤（Traces）、服務水準目標（SLOs）以及合成監控（Synthetic Monitoring）結果，但在設計理念上有所區分。
Grafana MCP Server 採用了模型上下文協定（Model Context Protocol, MCP），這是一種旨在標準化 AI 模型與外部數據源之間交互的開放協定。MCP Server 提供了一套預定義且具有強指導性（Opinionated）的工具集，適用於常見的監控查詢場景。它支持自託管部署，也可以直接透過 Grafana Cloud 的託管端點使用，適合需要快速整合、標準化流程的開發環境。
相較之下，gcx 則是一個靈活的命令列介面（CLI）工具。它不預設特定的操作路徑，而是提供一套更廣泛、低指導性的工具集，允許開發者為 AI 代理人構建自定義的工作流。gcx 支持 Grafana Cloud 以及開源版（OSS）或企業版（Enterprise）的自託管實例。為了降低門檻，Grafana Labs 還提供了可安裝的技能包（Skill Bundle），讓代理人能快速習得特定的操作能力。
從觀測數據到實作決策的轉化
將觀測數據整合進 AI 流程後，開發模式將從猜測轉向實證。以新增支付供應商為例，AI 代理人不再需要盲目假設系統負載，而是可以直接查詢 RED 指標（Requests 請求數, Errors 錯誤數, Duration 持續時間）。若發現現有供應商的 p95 延遲（即 95% 的請求在 2 秒內完成）為 2 秒，代理人便能據此設定單元測試與整合測試的模擬延遲，進而精準估算新處理程序的請求速率。
此外，AI 代理人現在具備讀取並修改儀表板（Dashboards）的能力，能將儀表板查詢追蹤回產生該數據的原始代碼，並將更新後的定義推回 Grafana 或版本控制系統。在本地迭代方面，開發者可以利用 OpenTelemetry（一種標準化的觀測數據採集框架）工具，建立本地的 LGTM 堆疊（Loki, Grafana, Tempo, Mimir），並透過 gcx 將生產環境的儀表板定義拉取到本地，在真實的流量模擬下驗證代碼。
自動化測試與驗證的演進
除了基礎數據查詢，這套體系還延伸至壓力測試與端到端驗證。AI 代理人可以利用生產環境的真實遙測數據，透過 k6（一個開源的負載測試工具）自動生成擬真的壓力測試腳本。過去這類工作通常需要工程師耗時一天手動完成，現在則能透過 k6 的代理人技能包快速實現，並能有效區分是測試腳本失效還是被測系統本身出錯。
在內部實作中，Grafana Labs 的 Tempo 團隊利用自定義的代理人框架，對包含數 TB 數據的開發環境進行分析，自動識別可優化之處。AI 實作變更後，會再次執行基準查詢以量化性能提升，最後由人類工程師決定是否合併。針對前端回歸問題，Grafana Labs 亦推出了實驗性的代理人測試功能，允許使用自然語言指令檢查線上應用程式的 UI 流程，補足後端遙測無法捕捉的前端錯誤。
實務意義與限制
這套工具鏈將拉取請求（Pull Request, PR）的形式徹底改變。一個合格的 PR 將不再只有 AI 生成的代碼差異與文字描述，而是會附帶指向儀表板的連結。這些儀表板展示了本地構建在真實負載下的運行狀況，讓審核者能直接看到測試運行時的新指標或日誌標籤。
這種轉變將工程團隊的關注點從「AI 是否理解了需求單」移轉至「運行中的系統是否符合預期」。雖然 AI 代理人能極大化生產力，但其產出仍需經過實證驗證。透過將觀測數據作為驗證層，開發團隊能有效對抗由 AI 審核代理人帶來的虛假自信感，確保代碼的合併是基於實際的系統行為而非機率性的文本生成。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。