AI Root Cause Analysis یک برنامهٔ مستقل و open-source مبتنی بر Quarkus است که برای بررسی مشکل‌های سیستم‌های توزیع‌شده ساخته شده است. این ابزار از طریق MCP به مجموعهٔ Grafana LGTM متصل می‌شود و telemetry را به LLM می‌دهد تا علت اصلی را از نشانه‌های مشکل جدا کند. مخاطب آن توسعه‌دهندگانی هستند که با این سیستم‌ها کار می‌کنند، اما نمی‌خواهند برای تحلیل داده‌های سرویس‌ها متخصص شوند.
فرایند تحلیل با دریافت traceهای اخیر از Tempo شروع می‌شود. ابزار مواردی مانند خطا، تأخیر زیاد و الگوهای غیرعادی را پیدا می‌کند، سپس logهای مرتبط را از Loki می‌گیرد و آن‌ها را به بخش‌های مشخص هر trace پیوند می‌دهد. در ادامه، metrics مربوط به همان بازهٔ زمانی را از Prometheus دریافت می‌کند. LLM این داده‌ها را کنار هم بررسی می‌کند و گزارشی شامل علت اصلی، شدت مشکل، خرابی‌های زنجیره‌ای و پیشنهاد گام‌های بعدی می‌سازد.
بخش مهم طراحی، آماده‌سازی داده‌ها پیش از ارسال به مدل است. telemetry خام می‌تواند پر از اطلاعات اضافی باشد و Context Window را اشغال کند. بخش StripMcpClient برای هر ابزار، اطلاعات غیرضروری را حذف می‌کند؛ از جمله اطلاعات SDK، فیلدهای تکراری و جزئیات داخلی Netty. در نمونهٔ metrics ذکرشده در مطلب، تعداد ورودی‌ها از ۵۸۶ به حدود ۳۵ رسیده است؛ یعنی کاهش ۹۴ درصدی.
بررسی کد برنامه و ساخت dashboard در Grafana نیز به‌صورت اختیاری در دسترس است. برای این قابلیت‌ها، برنامه‌های هدف باید در حالت توسعهٔ Quarkus اجرا شوند و تنظیم quarkus.dev-mcp.enabled=true داشته باشند. با معرفی portهای برنامه‌ها، ابزار از Quarkus Dev MCP برای بررسی کد و نوشتن dashboard در فایل‌های برنامه استفاده می‌کند. بدون این اتصال هم تحلیل اصلی داده‌ها انجام می‌شود.
برای شروع با یک مجموعهٔ LGTM فعال، می‌توان فایل uber-jar را از Maven Central گرفت و اجرا کرد؛ نیازی به clone کردن repository نیست. در مسیر توسعه، Quarkus Dev Services مجموعهٔ LGTM را خودکار راه‌اندازی می‌کند. گزینه‌های ارائه‌دهندهٔ مدل شامل OpenAI، Grok، Gemini و WatsonX هستند. در رابط وب می‌توان بین ۱ تا ۲۰ trace را برای تحلیل انتخاب کرد و خروجی را با قالب‌هایی مانند HTML، Markdown، Plain Text یا AsciiDoc گرفت.
