MCP en tant qu'Interface d'Observabilité : Connecter les Agents IA aux Points de Trace du Noyau

Le Model Context Protocol (MCP) devient l'interface entre les agents d'IA et les données d'infrastructure. En mars 2026, trois développements significatifs ont mis en lumière cette tendance : Datadog a livré un serveur MCP connectant les données d'observabilité en temps réel aux agents d'IA pour la détection et la correction automatisées, Qualys a publié une analyse de sécurité qualifiant les serveurs MCP de "nouvelle informatique fantôme pour l'IA", et Microsoft Retina a démontré l'observabilité réseau Kubernetes basée sur eBPF.

Deux approches pour l'observabilité MCP

Il existe deux façons de connecter les données d'observabilité aux agents d'IA via MCP :

• Approche 1 : Encapsuler les plateformes existantes - La stratégie de Datadog prend les métriques, journaux et traces déjà collectés et agrégés, et les expose via des outils MCP. L'agent d'IA interroge l'API du tableau de bord, obtient des données prétraitées et agit en conséquence. Cela fonctionne pour les équipes disposant de piles d'observabilité matures souhaitant une automatisation alimentée par l'IA par-dessus.
• Approche 2 : Construire une observabilité native MCP - Au lieu d'encapsuler une plateforme existante, construire un agent eBPF qui trace les appels système via des uprobes, stocke les résultats dans SQLite, et expose tout via des outils MCP. L'interface MCP devient l'interface principale, pas une couche d'adaptation.

L'observabilité native MCP en pratique

L'article détaille un exemple concret traçant une régression TTFT de vLLM où le premier jeton a pris 14,5 fois plus de temps que la référence. La base de données de trace a capturé chaque appel d'API CUDA, chaque commutation de contexte du noyau et chaque allocation mémoire. Lorsque Claude se connecte au serveur MCP et charge cette base de données, il peut utiliser quatre outils spécifiques :

• get_trace_stats - Voir le résumé complet de la trace : 12 847 événements CUDA, 4 chaînes causales, temps GPU total
• get_causal_chains - Lire les chaînes causales qui expliquent pourquoi la latence a augmenté, en anglais simple
• run_sql - Exécuter des requêtes personnalisées sur les données d'événements brutes (par exemple, "montre-moi tous les appels cudaMemcpyAsync de plus de 100 ms")
• get_stacks - Inspecter les piles d'appels pour tout événement signalé

Claude a identifié la cause racine en moins de 30 secondes : le calcul des logprobs bloquait la boucle de décodage, créant un ralentissement de 256 fois sur le chemin critique. Cette cause racine n'était pas visible dans les métriques agrégées, seulement dans les chaînes causales brutes entre des appels d'API CUDA spécifiques.

Considérations de sécurité

Qualys a constaté que plus de 53 % des serveurs MCP reposent sur des secrets statiques pour l'authentification et a recommandé d'ajouter de l'observabilité aux serveurs MCP : journaliser les événements de découverte de capacités, surveiller les modèles d'invocation et alerter sur les anomalies. Pour les serveurs MCP accédant à l'infrastructure GPU, la surface d'attaque comprend les informations de timing, les dispositions mémoire et les détails d'architecture des modèles.

Dans l'implémentation d'Ingero, chaque invocation d'outil MCP est tracée en utilisant la même infrastructure eBPF qui capture les événements GPU, créant un pipeline d'observabilité unifié plutôt qu'une couche de journalisation séparée.