Saltar al contenido
Volver

Jaeger le mete IA al troubleshooting: Ask Jaeger, herramientas MCP nativas y visualización de traces GenAI

Jaeger v2.22 estrena preview de troubleshooting asistido por IA: asistente en lenguaje natural, endpoint MCP con 9 herramientas y vistas de traces con convenciones GenAI de OpenTelemetry.

Nauta Lab
2 min

Jaeger le mete IA al troubleshooting: Ask Jaeger, herramientas MCP nativas y visualización de traces GenAI

KubeCon NA 2026 está dejando titulares de IA por todas partes, pero este es de los que marcan tendencia en observabilidad: Jaeger, el proyecto graduado de tracing distribuido de la CNCF, está presesteando su primera experiencia integrada de troubleshooting asistido por IA y observabilidad GenAI, disponible como capacidades experimentales en Jaeger v2.22.

Qué trae el preview

  • Ask Jaeger: un asistente experimental en lenguaje natural, dentro del producto. Investigas traces conversando, con respuestas que llegan en streaming y — lo importante — tool calls visibles, para que veas cómo llegó a cada conclusión y no te quedes confiando ciegamente.
  • Integración MCP nativa: un endpoint opt-in con 9 herramientas enfocadas para descubrir servicios y traces, examinar errores, mapear topología de servicios, identificar el critical path e inspeccionar spans individuales. Cualquier agente compatible puede usarlas.
  • Skills de diagnóstico reutilizables: análisis de causa raíz de errores y detección de queries N+1 como workflows repetibles que los agentes siguen al investigar.
  • Visualización de traces GenAI: vistas especializadas construidas sobre las convenciones semánticas GenAI de OpenTelemetry para examinar interacciones con modelos, actividad de agentes, operaciones de retrieval, consumo de tokens, system instructions y ejecución de tools — todo dentro del trace distribuido de siempre.

El diseño que vale la pena destacar

El principio central es progressive disclosure: los agentes de IA recuperan solo la evidencia necesaria para cada paso de la investigación, en vez de mandar el trace completo al LLM. Traducción práctica: menos tokens quemados, menos ruido y — crucial para los desconfiados — los ingenieros pueden inspeccionar la evidencia detrás de cada respuesta.

Yuri Shkuro, creador y maintainer de Jaeger, lo resume bien: los traces contienen la evidencia que el ingeniero necesita, pero en traces grandes esa evidencia queda enterrada entre cientos o miles de spans. Las herramientas de IA le dan al agente foco para buscar, mapear topología y encontrar el critical path, mientras el humano ve las tool calls detrás de la respuesta.

Observabilidad para apps que son agentes

El punto de fondo: las aplicaciones con IA agregan llamadas a modelos, uso de tokens, retrieval y ejecución de tools encima de una arquitectura distribuida que ya era compleja. Diagnosticar por qué un agente se fue por la ramita equivocada exige ver esas interacciones junto al resto del sistema, no en un silo aparte con telemetría propia.

La arquitectura es abierta por diseño: MCP + Agent Client Protocol (ACP) + AG-UI + OpenTelemetry, con componentes reemplazables y sin casarse con un modelo o framework propietario. Jonah Kowall, maintainer del proyecto, insiste en extender la práctica de observabilidad existente en vez de crear otro silo de datos.

Lectura rápida: si tu stack ya usa Jaeger y OpenTelemetry, este preview es el camino más corto para llevar observabilidad a workloads de IA sin adoptar otro producto. Actualiza a v2.22, activa el endpoint MCP y prueba — experimental, pero con una dirección de diseño mucho más seria que el típico “chatbot encima del dashboard”.


Compartir artículo:

Sigue leyendo

Noticias relacionadas

Más en Observabilidad →

Buscar en Ping Diario