作者：来自 Elastic Natalie Blake
可观测性面临调查难题，而仪表盘和告警已不足以解决当今复杂系统中的问题。要实现实时调查并控制成本，AI 驱动的能力、强大的分析功能以及可扩展性是关键。我们认为正因如此，Elastic 才连续第二次被评为 2025 年 Gartner® 可观测平台魔力象限™中的领导者。
客户不再只是寻求可视化，他们需要快速且有上下文的答案。Elastic 在今年 Gartner 魔力象限中的认可，体现了我们 AI 驱动能力如何将可观测性从一个被动工具转变为实时调查的解决方案。我们很自豪能帮助全球最具创新力的团队领先发现问题、优化性能，并自信地运营。
------Santosh Krishnan，Elastic Observability 总经理
Elastic Observability 帮助组织监控、排查并优化其整个生态系统，从基础设施和应用性能到终端用户体验，所有功能均由 Search AI 平台提供支持。我们认为此次被评为领导者，再次印证了我们对开放架构、AI 驱动洞察力和可扩展性是可观测性未来发展的信念。
我们为什么认为 Elastic 再次成为领导者
我们认为 Elastic 在魔力象限中被评为领导者，体现了其在开放标准、AI 驱动创新、广泛能力以及部署灵活性方面的持续投入。Elastic 提供：
-
原生支持 OpenTelemetry：Elastic 原生集成 OpenTelemetry，允许组织标准化使用开源埋点，无需自定义连接器。
-
AI 驱动的助手：Elastic 内置的 AI 助手利用 RAG 和上下文相关性，帮助团队使用自然语言和组织知识对事件进行分诊和排查，加速跨日志、指标和追踪的根本原因分析。
-
零配置 AIOps：Elastic 的开箱即用机器学习功能可自动检测异常、预测趋势，并揭示日志、指标和追踪中的模式。
-
高级分析能力：Elastic 全新的查询语言 ES|QL 支持直观、逐步地进行复杂调查，实现跨可观测性数据的高级快速查询。
-
成本、规模与性能优化：Elastic 的 Search AI Lake 支持 PB 级结构化与非结构化数据，提供高性能、低成本的数据存储，且无保留时间上的妥协。
Elastic 通过开放架构提供灵活且 AI 驱动的企业级可观测能力，这一优势持续使其在市场上脱颖而出。
天生开放，原生支持 OpenTelemetry (OTel)
我们对开放的坚持是 Elastic 产品设计的核心原则之一。在可观测性领域，这意味着拥抱开放标准，使团队能更轻松地在复杂的多厂商环境中协同工作，无需定制集成或手动埋点。
Elastic 从数据接入到分析，全流程 100% 原生支持 OTel。它能原生保留 OTel 数据，无需转换格式，避免 SRE 团队手动进行繁琐的 schema 转换或构建自定义视图。Elastic Observability 的所有功能，如日志分析、APM、基础设施监控和 AI 驱动的问题分析，都可以无缝使用原生 OTel 数据。
过去两年中，Elastic 为 OpenTelemetry 社区作出了重要贡献，包括捐赠 ECS（Elastic 通用架构）和 Elastic 的 Profiling Agent。我们持续参与 OTel 的贡献工作，已成为前三大贡献者之一。
随着企业采用 OTel 社区版 SDK，它们面临可支持性挑战，比如支持不稳定、bug 修复缓慢、更新未经测试等问题，带来运行风险和停机隐患。为了解决这一问题，Elastic 推出了 Elastic Distributions of OpenTelemetry（EDOT），为 OTel SDK 提供企业级支持、快速 bug 修复和高效更新。
基于 AI 的复杂问题调查
作为 SRE，排查问题变得比以往更复杂。无论面临什么情况，都需要处理大量信息，不仅包括客户遇到的问题，还包括内部数据和上下文，以便提供最合适的解决方案。
Elastic 提供 AI 驱动的功能，如多信号异常检测、模式分析、相关性分析，以及一个充当虚拟 SRE 的 AI 助手。
借助 Elastic 的 AI 助手，SRE 可以通过自然语言问题进行分析。Elastic AI 助手的强大之处不仅在于它可以连接开箱即用的 LLM 或你自定义选择的模型，还能结合 Elastic 的向量数据库提供具有上下文和洞察的信息，例如：
-
来自内部 GitHub 仓库、Jira 等的故障记录
-
来自客户支持服务的问题
-
检索和使用运行手册（runbooks）
-
创建图表和仪表盘
LLM 可观测性：AI token、幻觉与延迟一站式监控
为了保障生成式 AI 应用的稳定运行，并最大程度降低 LLM 响应不可预测带来的风险，SRE 对 LLM 的可观测性管理至关重要。
Elastic 为所有主流模型（如 Azure OpenAI、OpenAI、Amazon Bedrock 和 Google Vertex AI）提供开箱即用的集成。这些集成包括预构建的仪表盘，展示 token 使用量、成本相关指标，以及按模型或 endpoint 拆分的调用总数、错误率和延迟等日志与指标。通过 Elastic 的告警、SLO、AI 助手和任何配置的 ML 作业，成本洞察可自动交付。
在不影响性能的前提下降低成本
如何控制可观测性数据的账单开销是个令人头疼的问题。可观测性平台必须既能以高分辨率经济高效地存储数据，又能快速访问。
借助 Elasticsearch 的 logsdb 索引模式，Elastic 将日志数据的存储占用最多减少了 65%。这让用户能在预算内存储更多可观测性与安全数据，同时保持全部数据可访问、可搜索。
阅读完整报告
《2025 年 Gartner® 可观测平台魔力象限™》现已发布。访问报告。
了解 Elastic Observability 如何以你的方式交付统一可视性、AI 驱动洞察力与卓越扩展能力。
Gartner，《Magic Quadrant for Observability Platforms》，
Gregg Siegfried、Matt Crossley、Padraig Byrne、Andre Bridges、Martin Caren，2025 年 7 月 7 日。
GARTNER 是 Gartner, Inc. 和/或其在美国及国际上的附属机构的注册商标和服务标志，MAGIC QUADRANT 是其注册商标，在此获得许可使用。保留所有权利。
Gartner 不对其研究出版物中描述的任何厂商、产品或服务表示认可，也不建议技术用户只选择具有最高评级或其他指定的厂商。Gartner 的研究出版物仅代表 Gartner 研究组织的观点，不应被视为事实陈述。Gartner 不对本研究提供任何明示或暗示的担保，包括对适销性或特定用途适用性的任何担保。
本图表由 Gartner, Inc. 作为更大研究文件的一部分发布，应结合整个文档进行评估。Gartner 文档可向 Elastic 索取。