قامت Grafana Labs بتوسيع قدرات Grafana Assistant، مما يمكّن مساعد المراقبة المدعوم بالذكاء الاصطناعي من الاستعلام عن البيانات وربطها عبر أكثر من 30 مصدرًا مختلفًا للبيانات من خلال اللغة الطبيعية. تدعي الشركة أن هذا التحديث هو خطوة نحو “قابلية المراقبة الموحدة”، مما يسمح للمشغلين والمطورين ومهندسي موثوقية الموقع (SREs) بالتحقيق في الحوادث وإنشاء الاستعلامات واستكشاف أخطاء الأنظمة الموزعة المعقدة وإصلاحها دون التبديل بين أدوات المراقبة المتعددة.
يعتمد التحسين على استراتيجية الذكاء الاصطناعي الأوسع الخاصة بـ Grafana Assistant والتي تم الكشف عنها في GrafanaCON 2026، حيث وضعت الشركة الذكاء الاصطناعي كشريك تشغيلي بدلاً من مجرد برنامج دردشة آلي. من خلال توسيع عدد مصادر البيانات المدعومة، بما في ذلك المنصات السحابية وقواعد البيانات والواجهات الخلفية لقابلية المراقبة ومتتبعات المشكلات وأنظمة مراقبة البنية التحتية، تحاول Grafana القضاء على التحدي المشترك الذي يواجه فرق العمليات الحديثة: البيانات التشغيلية المجزأة المنتشرة عبر العشرات من المنصات المنفصلة.
نادراً ما تعتمد بيئات الإنتاج الحديثة على منصة مراقبة واحدة. وبدلاً من ذلك، تقوم المؤسسات عادةً بجمع المقاييس والتتبعات والقياس السحابي عن بعد وأحداث البنية التحتية وبيانات الأعمال والسياق التشغيلي، كل ذلك من أدوات ومصادر مختلفة.
تقليديًا، كان التحقيق في حادث إنتاج يتطلب من المهندسين التنقل بين هذه الأدوات، وربط الطوابع الزمنية يدويًا، وإعادة بناء تبعيات الخدمة، وتجميع فهم كامل لما حدث. يهدف Grafana Assistant إلى تبسيط هذه العملية من خلال السماح للمستخدمين بطرح أسئلة باللغة الطبيعية تمتد عبر أنظمة متعددة في وقت واحد. بدلاً من إنشاء استعلامات يدويًا في PromQL أو LogQL أو SQL أو TraceQL، يمكن للمهندسين ببساطة وصف المشكلة التي يقومون بالتحقيق فيها والسماح للمساعد باسترداد المعلومات ذات الصلة وربطها.
على عكس مساعدي الذكاء الاصطناعي للأغراض العامة، تدعي Grafana Labs أن Grafana Assistant قد تم تصميمه خصيصًا لسير عمل إمكانية المراقبة. بالإضافة إلى الإجابة على الأسئلة، يمكنه إنشاء لوحات معلومات، وإنشاء استعلامات مراقبة معقدة، وشرح المقاييس غير المألوفة، والتنقل في موارد Grafana، وإطلاق التحقيقات باستخدام القياس عن بعد عبر البنية التحتية للمؤسسة.
مع الإصدار الأخير، توسع الدعم ليشمل مصادر بيانات مؤسسية إضافية مثل Snowflake وOracle وElasticsearch وDynatrace وHoneycomb وMongoDB وZabbix وJira، مما يسمح للتحقيقات بدمج السياق التشغيلي والبنية التحتية وسياق الأعمال في محادثة واحدة. بدلاً من إجبار المستخدمين على تعلم لغات استعلام متعددة، تتمثل الفكرة في أن يقوم المساعد بترجمة اللغة الطبيعية إلى الاستعلامات المناسبة مع احترام الأذونات الحالية وضوابط الوصول القائمة على الأدوار.
ويعكس هذا الإعلان تحولات أوسع نطاقًا تحدث داخل إمكانية الملاحظة نفسها. نظرًا لأن الأنظمة الموزعة أصبحت أكثر تعقيدًا وأن التطبيقات التي تعمل بالذكاء الاصطناعي تولد كميات متزايدة من القياس عن بعد، فإن مجرد جمع البيانات لم يعد كافيًا. تحتاج فرق العمليات بشكل متزايد إلى أنظمة ذكية قادرة على ربط المعلومات عبر السجلات والمقاييس والتتبعات والملفات التعريفية وأحداث البنية التحتية وسلوك التطبيق.
ونتيجة لذلك، قامت Grafana، مثل منافسيها، بتوسيع محفظة الذكاء الاصطناعي الخاصة بها بشكل مطرد طوال عام 2026، حيث قدمت إمكانية ملاحظة الذكاء الاصطناعي لمراقبة تطبيقات نماذج اللغة الكبيرة، ودعم بروتوكول السياق النموذجي (MCP) لدمج وكلاء الذكاء الاصطناعي الخارجيين، وجعل Grafana Assistant متاحًا لعمليات نشر Grafana Enterprise وOSS المُدارة ذاتيًا.
يأتي إعلان Grafana في الوقت الذي يتنافس فيه بائعو إمكانية المراقبة بشكل متزايد على قدرات الذكاء الاصطناعي بدلاً من جمع القياس عن بعد وحده. قامت Datadog بتوسيع مساعد Bits AI الذي يعمل بالذكاء الاصطناعي لإجراء التحقيقات الآلية وتحليل الأسباب الجذرية، في حين يجمع Davis AI من Dynatrace بين التفكير السببي والأتمتة لتسريع الاستجابة للحوادث. يقوم Splunk بدمج مساعد الذكاء الاصطناعي في سير عمل الأمان وقابلية المراقبة، وقد قدمت New Relic ميزات إمكانية المراقبة الذكية التي تربط القياس عن بعد تلقائيًا وتوصي بإجراءات العلاج.
في حين أن واجهات اللغة الطبيعية يمكن أن تجعل التحقيقات أسرع وأكثر سهولة، فإن جودة ودقة استجابات المساعد تظل تعتمد على عدة عوامل، بما في ذلك اكتمال القياس عن بعد الأساسي، وأذونات الوصول المناسبة، وقدرة نماذج الذكاء الاصطناعي على إنشاء الاستعلامات وتنفيذها بشكل موثوق عبر مصادر بيانات متنوعة وغير متجانسة.
