O gargalo que os agentes de IA ainda não resolviam
Agentes de observabilidade são rápidos: consultam alertas, correlacionam logs com traces e produzem uma hipótese de causa raiz em minutos. O problema sempre esteve na etapa seguinte — a verificação. O engenheiro lê o resumo textual gerado pelo agente, abre o navegador, faz login na ferramenta de observabilidade, navega até o trace waterfall, confere o mapa de serviços e compara manualmente o que o agente disse com o que está na tela.
O agente economizou o tempo de consulta. Mas não economizou o tempo gasto alternando abas, carregando contexto na memória e re-executando queries em outra ferramenta. Esse trabalho ainda era responsabilidade do humano.
A AWS anunciou os MCP Apps para o Amazon OpenSearch Service justamente para fechar essa lacuna.
O que são os MCP Apps
Os MCP Apps estendem o Protocolo de Contexto de Modelo (MCP) com um padrão de resposta dupla. Quando o agente de IA chama uma ferramenta MCP App, a resposta contém duas partes: um resumo textual estruturado e uma visualização interativa — como um trace waterfall, uma topologia de serviços ou uma visão de padrões de log — renderizada diretamente na janela de chat do assistente, ao lado da resposta em texto.
O resultado é direto: o engenheiro faz a pergunta ao agente, o agente consulta o Amazon OpenSearch Service e a resposta chega com texto explicativo e o widget de dashboard correspondente. A verificação acontece no mesmo thread onde a pergunta foi feita, sem abrir uma aba separada no navegador ou re-executar queries manualmente.
Como a arquitetura funciona
A solução envolve três componentes trabalhando em conjunto: um servidor MCP local, o ambiente de desenvolvimento (IDE) e a aplicação OpenSearch UI.
Um servidor MCP roda localmente na máquina do engenheiro. Ele atua como ponte segura entre o IDE e a aplicação OpenSearch UI, expondo ferramentas de observabilidade que o agente pode invocar. Cada chamada de ferramenta passa pelo servidor MCP até o endpoint do OpenSearch UI, executa a consulta e retorna a resposta dupla ao IDE.
O OpenSearch UI é a interface serverless de observabilidade unificada que funciona com domínios OpenSearch, coleções serverless, CloudWatch e Amazon Managed Service for Prometheus. O fluxo de uma requisição segue o caminho:
- O IDE ou cliente de IA (Claude, VS Code, Cursor, etc.) envia uma chamada de ferramenta
- O servidor MCP local recebe a chamada, autentica com as credenciais AWS configuradas e encaminha a requisição ao endpoint do OpenSearch UI como chamada HTTP
- O OpenSearch UI executa a consulta nas fontes de dados conectadas e retorna tanto o resumo textual estruturado quanto o artefato de visualização renderizado
- O servidor MCP empacota os dois em uma única resposta MCP; o IDE detecta o payload de visualização e o renderiza como widget interativo no thread da conversa
O controle permanece com a equipe: o servidor roda localmente, os dados ficam na conta AWS do cliente, e as credenciais e políticas são gerenciadas pela própria organização.
Por que os resultados são determinísticos
Um ponto importante destacado pela AWS é que o OpenSearch MCP App gera a visualização executando código diretamente contra as mesmas fontes de dados que alimentam os dashboards. Isso significa que o resultado renderizado é determinístico — não é uma interpretação do modelo de linguagem, mas o resultado real da query exibido como gráfico, trace waterfall ou mapa de serviços. O engenheiro está vendo o dado, não uma paráfrase dele.
Ferramentas disponíveis nos MCP Apps
O conjunto de ferramentas cobre toda a jornada de investigação de um incidente, organizadas em categorias que se encadeiam naturalmente.
Ferramentas principais de investigação
Uma investigação típica começa com as ferramentas de triagem e resposta, que surfaceiam alertas ativos, correlacionam alertas relacionados entre fontes de dados e apresentam distribuições de severidade para que o agente possa priorizar o problema. Depois de identificar o serviço afetado, as ferramentas de investigação de logs buscam padrões de erro e agrupam entradas similares para isolar a assinatura da falha. As ferramentas de investigação de traces localizam o trace distribuído específico, exibem a hierarquia de spans com o detalhamento de latência e identificam onde a falha se originou.
Ferramentas de contexto e visualização
Para quantificar o impacto, as ferramentas de investigação de métricas executam queries PromQL e realizam análise de limiar, enquanto as ferramentas de desempenho de serviço fornecem métricas RED — Taxa (Rate), Erros (Errors) e Duração (Duration) — no nível do serviço. As ferramentas de topologia renderizam o mapa de serviços como grafo de dependências, mostrando volume de chamadas e taxas de erro entre as arestas para dimensionar o impacto. As ferramentas de visualização dinâmica geram gráficos de linha, barra, área e métrica a partir de consultas especificadas, e as ferramentas de conjuntos de dados e correlações suportam junções entre sinais e resumos de dados.
Ferramentas especializadas
As ferramentas de observabilidade de IA e agentes rastreiam chamadas de Modelos de Linguagem de Grande Escala (LLM) e renderizam mapas de trace de agentes para equipes que estão construindo seus próprios fluxos de IA. As ferramentas de saúde do stack reportam status do cluster e alocação de shards. As ferramentas de pontuação de instrumentação detectam lacunas na qualidade da telemetria para que as equipes possam melhorar sua cobertura de observabilidade.
O ciclo de investigação com MCP Apps na prática
Com os MCP Apps, uma investigação de plantão passa a funcionar assim: o engenheiro pergunta ao agente “O que está causando o pico de erros no checkout?”. O agente investiga consultando logs, correlacionando com traces e verificando o mapa de serviços. A resposta dupla chega contendo texto e visualizações interativas — visão de alertas, trace waterfall e mapa de serviços — renderizadas no mesmo thread. O engenheiro revisa inline, seleciona detalhes de spans para confirmar o escopo do impacto e instrui o agente a redigir o resumo do incidente ou acionar uma remediação. O engenheiro nunca sai do IDE. Investigação, verificação e resolução acontecem em uma única conversa.
Como configurar o servidor MCP
A AWS documenta o processo de configuração em quatro etapas principais.
Pré-requisitos
Antes de começar, é necessário ter: uma aplicação OpenSearch UI com um workspace de Observabilidade conectado a pelo menos uma fonte de dados (domínios Amazon OpenSearch Service, coleções serverless ou Amazon Managed Service for Prometheus); um IDE compatível (Claude Desktop, VS Code GitHub Copilot, Goose, ChatGPT ou Cursor); Node.js 22 ou superior instalado localmente; e credenciais AWS configuradas com as permissões es:ESHttpGet e es:ESHttpPost.
Passo 1: Baixar e extrair o servidor MCP
Acesse a página de download do servidor MCP de observabilidade do OpenSearch, baixe o arquivo .zip e extraia o conteúdo. O diretório extraído contém um arquivo server/server.js. Anote o caminho completo para esse arquivo.
Passo 2: Adicionar o servidor MCP ao IDE
Cada IDE suportado possui um arquivo de configuração MCP. Abra a configuração do seu IDE e adicione o seguinte bloco:
{
"mcpServers": {
"opensearch-observability-stack-mcp": {
"command": "node",
"args": ["/path/to/opensearch-observability-stack-mcp/server/server.js"],
"env": {
"OS_UI_ENDPOINT": "application-foo-bar.us-west-2.opensearch.amazonaws.com",
"AWS_REGION": "us-west-2",
"AWS_PROFILE": "my-profile"
}
}
}
}Substitua os valores de exemplo pelo endpoint do seu OpenSearch UI, pela região AWS e pelo perfil configurado. Para encontrar o endpoint do OpenSearch UI, acesse o console do Amazon OpenSearch Service, vá em Applications, selecione sua aplicação OpenSearch UI e copie a URL da aplicação (por exemplo, application-abc123.us-west-2.opensearch.amazonaws.com).
Passo 3: Verificar a conexão
Após salvar a configuração, reinicie o IDE ou recarregue a lista de servidores MCP. Em seguida, insira o seguinte prompt no IDE:
List available observability data sourcesSe o agente retornar as fontes de dados conectadas (domínios Amazon OpenSearch Service, coleções serverless ou workspaces do Amazon Managed Service for Prometheus), o servidor MCP está configurado corretamente. Em caso de erro, verifique se as credenciais AWS estão ativas e se a política do Gerenciamento de Identidade e Acesso (IAM) inclui as ações es:ESHttpGet e es:ESHttpPost para o ARN da aplicação OpenSearch UI.
Para testar sem dados de produção, a AWS sugere implantar a aplicação de demonstração OpenTelemetry para gerar traces, logs e métricas de exemplo no domínio Amazon OpenSearch Service.
Limpeza
Para remover a configuração, basta abrir as configurações MCP do IDE, excluir a entrada opensearch-observability-stack-mcp e deletar o diretório do servidor MCP extraído da máquina local. Essa configuração não provisiona recursos na nuvem, portanto não é necessária limpeza no lado AWS.
O que muda na prática
A diferença central pode ser resumida assim: sem os MCP Apps, o agente retorna texto e o engenheiro precisa abrir o navegador, fazer login, navegar e verificar manualmente em plataformas externas — um processo que pode levar minutos. Com os MCP Apps, o agente retorna texto junto com a visualização interativa para revisão inline, e a verificação é comprimida para segundos, no mesmo thread da conversa.
Além disso, sem os MCP Apps o agente raciocina apenas sobre seu próprio output. Com os MCP Apps, o agente também lê os resultados dos apps como contexto estruturado adicional, melhorando a qualidade do raciocínio nas etapas seguintes da investigação.
Conclusão
Com os MCP Apps, a AWS fecha a lacuna de verificação na observabilidade agêntica. O agente de IA investiga e a prova interativa chega no mesmo thread — sem troca de contexto, sem logins separados, sem re-execução de queries. Para engenheiros de plantão, isso pode significar resoluções mais rápidas. Para organizações que rodam observabilidade agêntica localmente, o recurso oferece a simplicidade operacional desejada sem abrir mão da precisão.
Para começar, consulte a documentação oficial: Observabilidade agêntica com MCP Apps no Guia do Desenvolvedor do Amazon OpenSearch Service.
Fonte
Agentic observability with Amazon OpenSearch Service MCP Apps (https://aws.amazon.com/blogs/machine-learning/agentic-observability-with-amazon-opensearch-service-mcp-apps/)
Leave a Reply