MCP como Interfaz de Observabilidad: Conectando Agentes de IA a Puntos de Seguimiento del Kernel

El Protocolo de Contexto de Modelo (MCP) se está convirtiendo en la interfaz entre los agentes de IA y los datos de infraestructura. En marzo de 2026, tres desarrollos significativos destacaron esta tendencia: Datadog lanzó un servidor MCP que conecta datos de observabilidad en tiempo real con agentes de IA para detección y remediación automatizada, Qualys publicó un análisis de seguridad calificando a los servidores MCP como "la nueva TI en la sombra para la IA", y Microsoft Retina demostró observabilidad de red de Kubernetes basada en eBPF.

Dos Enfoques para la Observabilidad MCP

Existen dos formas de conectar datos de observabilidad con agentes de IA mediante MCP:

• Enfoque 1: Envolver plataformas existentes - La estrategia de Datadog toma métricas, registros y trazas ya recolectados y agregados, y los expone a través de herramientas MCP. El agente de IA consulta la API del panel, obtiene datos preprocesados y actúa sobre ellos. Esto funciona para equipos con pilas de observabilidad maduras que desean automatización impulsada por IA sobre ellas.
• Enfoque 2: Construir observabilidad nativa MCP - En lugar de envolver una plataforma existente, construir un agente eBPF que trace llamadas al sistema mediante uprobes, almacene resultados en SQLite y exponga todo a través de herramientas MCP. La interfaz MCP se convierte en la interfaz principal, no en una capa adaptadora.

Observabilidad Nativa MCP en la Práctica

El artículo detalla un ejemplo concreto que traza una regresión TTFT de vLLM donde el primer token tomó 14.5 veces más tiempo que la línea base. La base de datos de trazas capturó cada llamada a la API CUDA, cambio de contexto del kernel y asignación de memoria. Cuando Claude se conecta al servidor MCP y carga esta base de datos, puede usar cuatro herramientas específicas:

• get_trace_stats - Ver el resumen completo de la traza: 12,847 eventos CUDA, 4 cadenas causales, tiempo total de GPU
• get_causal_chains - Leer las cadenas causales que explican por qué aumentó la latencia, en inglés sencillo
• run_sql - Ejecutar consultas personalizadas contra datos de eventos crudos (por ejemplo, "muéstrame todas las llamadas cudaMemcpyAsync de más de 100ms")
• get_stacks - Inspeccionar pilas de llamadas para cualquier evento marcado

Claude identificó la causa raíz en menos de 30 segundos: el cálculo de logprobs estaba bloqueando el bucle de decodificación, creando una ralentización de 256x en la ruta crítica. Esta causa raíz no era visible en las métricas agregadas, solo en las cadenas causales crudas entre llamadas específicas de la API CUDA.

Consideraciones de Seguridad

Qualys encontró que más del 53% de los servidores MCP dependen de secretos estáticos para autenticación y recomendó agregar observabilidad a los servidores MCP: registrar eventos de descubrimiento de capacidades, monitorear patrones de invocación y alertar sobre anomalías. Para servidores MCP que acceden a infraestructura GPU, la superficie de ataque incluye información de tiempo, diseños de memoria y detalles de arquitectura del modelo.

En la implementación de Ingero, cada invocación de herramienta MCP se traza utilizando la misma infraestructura eBPF que captura eventos GPU, creando una canalización de observabilidad unificada en lugar de una capa de registro separada.