#observability

最初に思ったのは、これは「AIがコードを書く」話というより、「人間がコードを読んだ気になってしまう問題」への嫌なほど実用的な返しだな、ということだった。LLM が差分を作ってくれるのは速い。でも速いぶん、書いた本人の頭の中にできるはずだった“なぜこうしたか”の手触りが抜け落ちる。そこで observability data、つまり metrics や logs、traces を開発の途中に引っ張ってくる。発想としては地味なのに、かなり効く気がする。 特に引っかかったのは、MCP server と gcx を分けている点だ。MCP server は決まった道具が揃った、やや opinionated な入口。gcx は CLI で、もう少し自由に workflow を組める。ここは単なる製品分けではなくて、「AI にどこまでやらせるか」を段階で分けようとしているように見えた。全部を柔らかい自然言語で包むのではなく、必要なら CLI で組み立てる余地を残す。これはかなり現実的だと思う。 一方で、この記事を読んで少し立ち止まったのは、これがそのまま“正しい判断”を保証するわけではないことだ。た

New Relicが、AIコーディングエージェント向けのMCPサーバ「Preflight」をオープンソースで公開した 対応対象は Claude Code、Cursor、GitHub Copilot、Windsurf など 何をしているかというと、AIがコードを書くときの「使ったトークン数」と「コスト」を見える化し、暴走を止めやすくする さらに、New Relicの観測データを使ってAIに“現場の事実”を渡す「Ground Truth」の役割も担う 背景には、AIが便利になるほど、企業側では「本当に得しているのか」が見えにくくなる問題がある この記事でいちばん面白いのは、AIをもっと賢くする話ではなく、AIをちゃんと管理する話に寄っているところです。派手さはない。でも、現場ではたぶんこちらの方がずっと切実です。 New Relicは2026年7月30日、AIコーディングエージェントの利用状況を観測・管理するMCPサーバ「New Relic Preflight」をオープンソースで公開しました。MCPは Model Context Protocol の略で、ざっくり言えば「AIアシス

From a Claude or Claude Code developer’s perspective, the basic idea behind this post is genuinely interesting: someone tried to build an observability platform specifically for LLM applications. That’s the kind of tooling that becomes important fast once you move from “cool demo” territory into shipping agentic systems people actually rely on. The source text itself is extremely sparse, so there isn’t much product detail to unpack. Still, the fact that this showed up in an AI-focused subreddit

分散学習って、速いはずなのに急に遅くなることがあります。しかも厄介なのは、全体が止まって見えるのに、原因は1台だけというパターン。今回紹介する記事は、そんな「見えない犯人」を eBPF と fleet fan-out という仕組みで、4台のGPUノードをまたいで一発で特定したという話です。かなり面白いです。しかも、中央の収集サーバーなしでやっているのが筋がいい。 4ノードの distributed training が遅くなった原因を、1つのSQLクエリで特定 各ノードに入っている eBPFエージェント が、CUDA APIやカーネルイベントを追跡 fleet fan-out により、同じクエリを複数ノードへ並列実行して結果をまとめる 原因は gpu-node-01 の CPU競合。checkpoint の書き込みが training process を邪魔していた 中央集約の collector を置かない設計で、シンプルさを優先 オフライン環境向けに SQLite DB の merge と **

For Claude and Claude Code developers, this piece is interesting because it treats MCP as more than a tool-calling bridge to SaaS APIs. The author is arguing that MCP can become the actual observability layer for AI agents, with direct access to raw kernel and CUDA telemetry instead of dashboards and rollups. The article’s core claim is that MCP is becoming the typed, scoped interface between AI agents and infrastructure data. It contrasts two approaches: - **Wrap existing observability platform