云原生可观测性实战：用 MCP ToolSets 提升 Agent 复杂排障的安全性与协作效率

云原生系统出现延迟告警时，工程师往往要在告警、指标、调用链和基础设施事件之间反复切换。Agent 虽然能够分析线索，却必须先获得可调用、可审计且边界清晰的操作能力。借助 MCP ToolSets，可以按排障需求收敛工具范围，让调查与必要变更在同一会话中有序完成。

作者：曾庆国（悦达）

周五晚上 21:47，小陈的钉钉又响了。

告警标题很短：checkout 服务 P99 延迟超过 2 秒。 这是结算链路的核心服务。晚高峰一旦抖一下，客服群里很快会出现「怎么付不了款」。

小陈没有先打开五个控制台。他看了一眼屏幕上的 Cursor，那边已经接上云坚控 MCP。他对 Agent 只说了一句：

「看看刚才 checkout 怎么了。把根因查清楚，坚控有缺口就补上。」

二十分钟后，值班群里出现一条结论：延迟来自下游支付网关，基础设施事件没有对应异常；错误率告警已经补上。

这二十分钟里，真正发生变化的不是模型突然「懂了可观测」，而是它第一次能够按云坚控的真实操作面去调查、去验证、去修改——而且不必先在这台值班电脑上把 CLI 环境齐套。

先把两样东西说清楚

大模型很会推理，也擅长把现象串成假设。它进不了云账号，看不到 Prometheus 里的曲线，改不了告警规则。缺的不是另一段更长的提示词，而是一套能被安全调用的工具。

MCP（Model Context Protocol）就是这套约定：模型负责理解目标和选择下一步，工具负责真正去执行。可以把它理解成给 Agent 发放的工牌和工具箱——没有工牌，模型只能隔着玻璃窗做分析；有了工牌，查询告警、跑 PromQL、拉调用树、补规则，才成为一次次可审计的云上操作。

阿里云此前已经发布了云坚控官方 CLI：aliyun cms2。它把云坚控 2.0 的查询与管控收成一棵命令树。这棵树本来就面向 Agent：命令契约稳定，输出是结构化 JSON，失败就是失败，凭证走 RAM 与阿里云配置链。终端里可以手敲，脚本和 CI 可以调用，Cursor、Claude Code 也可以在本地直接 exec：

aliyun cms2 alert history list --workspace prod-ecommerce
aliyun cms2 metric promql query-range --prometheus-id pi-xxx --query '...'

本地这条路的成本不在命令本身，而在执行环境。调用方要自行准备：二进制已安装且版本匹配、身份已写入 aliyun configure 或环境变量、进程有权限拉起子进程、网络能达到云坚控 OpenAPI。值班本人的笔记本上往往齐套；换一台没装 aliyun cms2 的机器、或 Agent 跑在不带云凭证的沙箱里，会话就会断在「找不到命令」或「没有配置」。

云坚控 MCP 不是另做一套「给 AI 用的 API」。它把同一棵命令树里的叶子命令，一一投影成 MCP Tool。alert rule list 对应 alert_rule_list，metric promql query-range 对应 metric_promql_query_range。权限模型、失败语义、审计对象与 CLI 相同。差别不在「谁可以使用」，而在执行发生在哪里：CLI 在 Agent 本地（或调用方自备的运行环境）里执行；MCP 把同一棵树挂到远程端点上，Client 连上即可 tools/list / tools/call，工具自带 schema，不必在每台 Agent 宿主机上安装 CLI。

小陈上个月试过让 Agent 调本地 aliyun cms2。自己电脑上能跑通；结对值班的同事没装插件，profile 也不一样，只好退回控制台。今晚 Cursor 里接的是 MCP 远程端点，环境收敛在服务端，值班换机器不再先排一轮安装问题。

21:47，checkout 抖了一下

工作空间叫 prod-ecommerce。小陈值班多年，对这条告警并不陌生。控制台时代，路径是翻告警、切 Prometheus、搜链路、回规则页。CLI 把这些动作收成命令之后，准确、可重复；Agent 在环境齐套时同样能一条条调用。真正耗时的是探索本身——看完这一步，才知道下一步该调哪一类工具——以及执行环境是否还在。

今晚环境已经不是问题。他把目标和权限交给 Agent，让工具顺着证据往下走。

先确认响的是谁。 Agent 调用 alert_history_list，按工作空间、严重级别和时间过滤，定位到规则 checkout-p99-latency。接着 alert_rule_get 把规则全文拿出来：坚控的是 checkout 接口 P99，连续 2 分钟大于 2 秒，通知打到值班群。到这里，现场不再是一句「又超时了」，而是一条可核对的定义。

再看曲线，避免被标题带着跑。 Agent 确认 Prometheus 实例后，调用 metric_promql_query_range，拉近 1 小时的 P99 和 5xx 错误率。延迟从 21:40 抬升，错误率几乎没动。问题形态是「变慢」，不是「开始大面积失败」。小陈在群里见过太多先改代码、后发现只是依赖抖动的夜晚，这一步把方向扳了回来。

然后去链路里抓一只慢乌龟。 trace_search 按时间窗和服务名找出耗时超过 2 秒的 Span；再拿一条 Trace ID 调用 trace_tree。调用树比曲线更「说话」：

checkout
 ├─ 库存服务     80ms
 ├─ 优惠计算     40ms
 └─ 支付网关    2100ms
      └─ 第三方渠道  2050ms

根因候选一下子收窄：不是 checkout 自己算得慢，是下游支付把整个结算拖住了。

再用实体和大盘做两道交叉验证。 entity_query 核对 checkout 在生产环境里的依赖，避免看错服务名、看错环境。grafana_dashboard_search 找到 checkout-overview，grafana_dashboard_panel_queries 抽出 Panel 查询，和刚才的 PromQL 对上。为了排除「整台机器、整片网络在抖」，event_hub_list 查了同一时间窗的云产品事件，没有对应的 ECS / SLB / RDS 异常。

到这里，证据已经够写进值班群。小陈多问了一句：

「只有延迟告警不够。补一条 checkout 5xx 错误率连续 2 分钟大于 1% 的规则，通知还是值班群。」

Agent 调用 alert_rule_create。若只是把原规则阈值从 2 秒调到 1.5 秒，则走 alert_rule_patch，未指定的字段保持服务端原值。需要再核对值班群机器人时，再去拉通知渠道列表。

22:05，结论发出去了。没有十张截图，也没有再切回控制台确认一遍。

真正要说明的事

云坚控 MCP 的核心价值，不是让模型更会写 PromQL，而是把可观测里最耗时的那截——在告警、指标、链路、实体、大盘、事件之间来回取证，并把结果收成一次处置——收进同一段会话，同时把执行从「每台 Agent 机器自备 CLI 环境」里解放出来。

aliyun cms2 已经解决了操作契约：同一条命令，人可以敲，Agent 也可以敲，脚本和流水线也可以敲。本地 Agent 走 CLI 时，安装、凭证、网络、版本是调用方的责任。MCP 不改这棵树，只改交付：远程可发现、按产品域裁剪、schema 跟着工具走。排障不是预先写好的十条命令。看见错误率没动，才会去拉 Trace；看见调用树指向支付网关，才会去对实体、对大盘、去事件中心里做排除。工具和 CLI 同源，才保证这段探索的结果可以和终端里的命令对上。

这也是为什么 MCP 仍要受 RAM 约束。只读调查可以用 AliyunCloudMonitorReadOnlyAccess；改规则、改接入必须有写权限。值班身份可以只读；变更走另一套策略。Agent 再能干，也不该拥有操作者自己都不会点的按钮。

小陈没有丢掉 CLI，也没有要求每位同事的电脑都先装好同一套插件。他只是不再把最贵的那二十分钟，花在选择打开哪一个控制台，或先排除一遍本地环境。

核心工具集

MCP 把叶子命令投影成 Tool 之后，立刻会碰到另一个问题：全量大约 191 个工具。一次性交给模型，上下文会被工具描述占满，Client 也常有工具数量上限；更关键的是，一次排障并不需要「删除工作空间」或「创建拨测任务」这类能力出现在可选列表里。

ToolSet 的核心作用，是按产品域裁剪 Agent 在本次连接里能看见、能调用的工具面。它不是文档目录，而是连接参数上的闸门：调查默认只打开别名 core，建设与高风险操作按需加进 toolsets，也可用 omit_tools 剔除某一把删除类工具。权限仍由 RAM 决定；ToolSet 决定的是模型眼前的菜单有多宽。小陈当晚从告警走到补规则，用的是调查面；若把全量工具一股脑塞进去，既挤占推理空间，也扩大误调用面。

连接参数缺省为 core，包含：metric、meta、trace、alert、event-hub、integration、entity、prometheus、grafana。拨测、APM、工作空间创建等不在默认集合里。小陈从告警走到补规则，对应的就是这张调查面。

core 之外的 ToolSet 面向建设与扩展，而不是每一次排障都要打开：

• workspace / datasource / umodel：工作空间、数据源纳管、实体模型。
• apm / rum：应用与前端可观测、探针配置、符号文件。
• synthetics：站点坚控与探测点。
• notification-channel：联系人、钉钉 / 飞书 / 企业微信机器人、Webhook。
• resource-watermark：资源报表。
• aliyun-service / tag / resource-group：开通状态、标签、资源组。

列出值班群机器人属于 notification-channel，不在默认 core 中。只开 core 时，创建规则仍可复用原规则上的通知对象；要把机器人名再确认一遍，连接参数写成 toolsets=core,notification-channel。从零创建工作空间、纳管数据源、安装 Addon、配置 APM、创建云拨测，同样是打开对应 ToolSet，不必再换一套协议。

故事之外，入口很短

云坚控 MCP 对所有用户使用同一组固定端点，按所在区域选国内或国际即可。推荐 Streamable HTTP（路径以 /mcp 结尾）；仅当客户端只支持旧版 SSE 时，改用 /sse。

国内

• Streamable HTTP：https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp
• SSE：https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/sse

国际

• Streamable HTTP：https://openapi-mcp.ap-southeast-1.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp
• SSE：https://openapi-mcp.ap-southeast-1.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/sse

默认调查面可在 URL 后加 ?toolsets=core。需要核对值班机器人时写成 ?toolsets=core,notification-channel。认证走客户端 OAuth 或已有的阿里云身份，不要把 AccessKey 写进会进 Git 的配置文件。

复制给 Agent 的配置指令

把下面整段发给 Cursor、Claude Code、通义灵码等 Agent，即可完成接入。

请把阿里云云坚控 MCP 加到当前 MCP Client，不要把 AccessKey 写入配置文件。
这是对所有用户固定的官方端点，按网络选一个：
- 国内 Streamable HTTP（推荐）：https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp
- 国内 SSE：https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/sse
- 国际 Streamable HTTP（推荐）：https://openapi-mcp.ap-southeast-1.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp
- 国际 SSE：https://openapi-mcp.ap-southeast-1.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/sse
要求：
1. 优先 Streamable HTTP（/mcp）；只有客户端不支持时才用 SSE（/sse）。
2. 服务名用 cms 或 aliyun-cms。
3. 默认在 URL 追加 ?toolsets=core；若要列告警机器人，用 ?toolsets=core,notification-channel。
4. 认证用 OAuth 或本机已有的阿里云登录态，禁止把 AccessKey / Secret 写进 mcp.json。
5. 配好后先调用只读工具：列出工作空间，或查询最近的 Critical 告警历史，确认连通。
Cursor 写入 ~/.cursor/mcp.json（国内示例）：
{
  "mcpServers": {
    "aliyun-cms": {
      "url": "https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp?toolsets=core"
    }
  }
}
Claude Code：
claude mcp add --transport http aliyun-cms "https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp?toolsets=core"

手动配置（Cursor）

将下列 JSON 写入 ~/.cursor/mcp.json 或项目 .cursor/mcp.json。国际站把 host 换成 openapi-mcp.ap-southeast-1.aliyuncs.com。

{
  "mcpServers": {
    "aliyun-cms": {
      "url": "https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp?toolsets=core"
    }
  }
}

手动配置（Claude Code）

claude mcp add --transport http aliyun-cms 
  "https://openapi-mcp.cn-hangzhou.aliyuncs.com/s/Cms/cms/9fe79ff0bf5748e6923530c5097ec359/mcp?toolsets=core"

不想自建 Agent：云坚控 StarOps

MCP 适合已经有 Cursor、Claude Code、通义灵码，或准备把云坚控接进自有 Agent 的团队。还有一类需求更直接：不要装客户端、不要写 mcp.json、不要维护本地 CLI 环境，打开控制台就能调查、巡检、出结论。

云坚控 StarOps（STAROps）面向这一类用户，提供托管的数字员工，而不是再发一套要自己接线的工具箱。入口在云坚控 2.0 控制台：选中工作空间后打开智能运维助手。会话、技能、权限和执行环境都在云上，CLI 以沙箱形态跑在控制台侧，值班换机器不必先排一轮安装。

开箱即可用的能力主要有三类。

• 故障调查。从一条告警或一句自然语言出发，数字员工关联指标、链路、日志、事件和 UModel 拓扑，做快速调查或深度调查。输入 @ 可引用工作空间里的告警、主机、应用、Pod 等实体，分析从该实体铺开，不必先自己选 Tool、写 PromQL。小陈当晚那句「看看 checkout 怎么了」，在 StarOps 里同样成立，只是对话发生在控制台，而不是自建 Agent。
• 巡检诊断。长期任务（Mission）支持定时巡检，例如集群每日健康检查、核心服务巡检、运维报表。结果是结构化报告，可对比历史差异，而不是一次性聊天记录。适合「每天都要看一眼、但不想每天自己编排工具」的场景。
• 人在回路。数字员工使用独立 RAM 角色，和操作者权限分开。「人能点什么」与「Agent 能调什么」可以拆开授权。高危写操作可配人工确认；对话、工具调用与命令行可审计。这和 MCP 侧「只读调查、写操作另授」是同一套云上约束，只是执行托管在 StarOps，而不是客户自己的 Client。

三条路径可以同时存在，按场景选用：终端和流水线继续用 aliyun cms2；自建 Agent 接云坚控 MCP；不想自建时，用云坚控 StarOps 的托管数字员工做故障调查与巡检诊断。操作面仍是云坚控 2.0，变的是谁来持有 Agent。

故事最后

小陈把结论发到群里之后，支付同事拿着诊断报告，去查渠道延迟，新增坚控规则在下一分钟开始生效。这就是云坚控 MCP 想接住的东西：不是替代 SRE，也不是替代 CLI，而是让 SRE 的判断，能够立刻落在云坚控真正的操作面上。数据采集、大盘设计、告警配置、调查优化、巡检报告，你日常的 SRE 工作让云坚控 MCP 做得更好。