一句话看懂：开发者 JasonPan 于 2026 年 10 月在掘金发布实践文章，用 Docker Compose 部署 Prometheus、Node Exporter 和 Prometheus MCP Server，接入 WorkBuddy，让 AI 通过自然语言查询 Linux 监控指标并自动生成 HTML 巡检报告。
事件核心：发生了什么
该方案由三个容器组成：Node Exporter 暴露 CPU、内存、磁盘、网络与负载指标；Prometheus 抓取并以 PromQL 提供查询；Prometheus MCP Server 将 Prometheus API 封装为 AI 可调用的 MCP 工具。随后在 WorkBuddy 中配置自定义 MCP 连接器，实测加载 28 个工具（如 query、range_query、list_targets），再创建一个 SRE/AIOps 巡检专家并关联该工具。用户发送指令后，AI 先检查采集状态，再用真实 range_query 时序数据生成深色 Grafana 风格 HTML 看板，含 KPI 卡片、趋势图、资源详情、AI 诊断与结论。示例报告显示 CPU 约 2.4%、内存约 45%、根分区磁盘约 66.5%，但作者强调这只是一次性巡检快照，并非自动刷新的实时看板。
为什么重要
MCP（模型上下文协议）为 AI 应用提供标准化的外部工具调用方式。这套组合的意义在于把大模型的分析能力直接接到可观测性数据上，验证了一条轻量路线：不需要重写监控系统，只要把 Prometheus 封装成 MCP Server，AI 就能理解自然语言指令并调用真实指标。提示词中反复强调“不得模拟、杜撰或补填缺失数据”，也说明当前 AIOps 落地的关键约束是数据真实性，而非模型能力本身。
对用户/开发者/创作者的影响
对运维和 SRE 开发者而言，这是一个可直接复用的低成本原型：Docker Compose 配置、MCP 连接 JSON 与专家提示词均在原文给出。它降低了把大模型接入监控场景的门槛，适合做值班巡检、周报生成和异常初筛。但需要注意，公网暴露的 8080 和 19090 端口应限制可信来源 IP，生产环境还需 HTTPS 与身份认证；AI 默认只读、不自动修复，也意味着它更适合辅助判断而非替代告警体系。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，这只是系列文章的第一篇。值得观察：MCP Server 的工具数量与稳定性是否随版本变化；巡检报告能否从一次性快照演进为定时任务或实时看板；同类方案是否会接入 Kubernetes、日志与告警系统，形成更完整的 AIOps 闭环。
来源：juejin
