Enseñando a tu Agente a Leer un Clúster

Agenda: * 6-6:30 pm: Networking y comida/bebidas * 6:30-7:15 pm: Anuncios y presentación * 7:15 pm-7:30 pm: Preguntas y respuestas y cierre Enseñando a tu Agente a Leer un Clúster Análisis de rendimiento agentivo para OpenSearch, desde MCP hasta gráficos de origen y una base de conocimiento de todo el proyecto La mayoría de los ingenieros que usan OpenSearch no lo operan. Escriben consultas, poseen una tubería de búsqueda o envían una función contra un clúster que alguien más ejecuta. Cuando el rendimiento se degrada, la evidencia ya existe, sentada detrás de APIs, gráficos de métricas y registros que suponen que los desarrolladores ya saben cuál leer. Esta sesión construye un flujo de trabajo de análisis agentivo en tres capas acumulativas, en vivo, utilizando componentes que ya se envían en el proyecto de código abierto OpenSearch. Primero, el servidor MCP oficial del proyecto OpenSearch y su repositorio de habilidades de agente. Los desarrolladores instalan un paquete, lo apuntan a un endpoint de clúster, añaden unas pocas líneas a su configuración de agente y comienzan a hacer preguntas en inglés simple. No hay un plugin que construir, ninguna habilidad que escribir, ningún modelo que ajustar y nada que cambiar en el clúster mismo, por lo que no se necesita aprobación de quien lo posee. Cualquier arnés que un equipo ya use sigue siendo el arnés que utilizan. Segundo, contexto estructural. Gráficos de conocimiento construidos sobre el último árbol fuente de OpenSearch y su dependencia de Apache Lucene, de modo que el agente pueda razonar sobre por qué ocurre un síntoma en lugar de solo informar que lo hace. Tercero, conocimiento fundamentado sobre ambos. Los gráficos permanecen en su lugar, y el agente también obtiene la documentación completa de OpenSearch y la semántica de costo de consultas de Lucene a través de una base de conocimiento Bedrock respaldada por un almacén de vectores de OpenSearch. Las tres capas trabajando juntas son lo que hacen que el análisis sea lo suficientemente preciso como para confiar en un clúster en vivo o después de un incidente. La sesión concluye con cómo empacar todo en un flujo de trabajo repetible. El objetivo es la identificación precisa de la causa raíz sin tener que convertirse primero en un experto en la internals de OpenSearch.