1. 先认识 DataBuff：OpenTelemetry APM
DataBuff （github.com/databufflab...）是国产开源 OpenTelemetry APM 平台，Docker 一条命令即可部署。
一句话： 按 OTel 标准接入遥测数据，统一存储 Trace、指标、拓扑与告警------为外部 Agent 提供可查询的真实 APM 底座。
OpenTelemetry APM 能力
- OTLP 标准接入，链路追踪 / 服务指标 / 拓扑 / 告警
- 从 Trace 衍生丰富数据模型（服务、接口、调用链、组件指标）
- 极简三组件：Ingest → Doris → Web，运维成本低
| 重点能力 | 能帮你做什么 |
|---|---|
| MCP 对外开放（本文主角） | Cursor、Claude Code、OpenClaw 等外部 Agent 调用同一套 APM 工具 |
| 官方 Skills | 约束问数口径与巡检流程，避免 Agent 编造指标 |
图：Ingest → Doris → Platform，Docker 一条命令跑起来
图：全局服务拓扑------MCP 工具读的是同一套实时 OTel 数据
本文聚焦： DataBuff 把 APM 能力通过 MCP + Skills 开放给 OpenClaw ------可接 CLI、WebChat，或飞书 / 钉钉 Channel。下文教你 5 分钟接入，实现一句话巡检全集群。
2. 凌晨告警：开 5 个窗口，还是打一句话？
告警弹出：「下单链路变慢，全集群有没有异常？」
传统做法：APM 看板 → Trace → 拓扑 → 告警列表 → 手写结论。一轮 20～30 分钟。
图：多窗口拼证据链------Agent 接入后可一句话串完
接入 OpenClaw 后 ：在 CLI、WebChat，或飞书 / 钉钉 Channel 里直接发一句话。Agent 经 DataBuff MCP 查 Doris 里的真实 OTel 数据，返回结构化中文结论（服务表、巡检报告、趋势汇总）------不是模型编造指标。
| 对比 | 说明 |
|---|---|
| ❌ 没有 MCP | 模型编造「错误率 2.3%」------全是幻觉，不能上故障群 |
| ✅ MCP + Skills | 先 inspectService 初筛 → 异常再查 Trace / 拓扑 → 输出带证据链的中文报告 |
图：用户提问「列出最近 1 小时的服务」→ Assistant 返回 Web 服务 + 中间件分组表格与中文总结
3. MCP 是手，Skills 是脑
DataBuff 开源迭代开放了 Agent 集成包 （integrations/agent/），两层能力一起用才有「运维 Agent」：
MCP = 15 个 APM 工具（查服务、Trace、指标、告警、巡检、画趋势） · Skills = 问数口径 + 巡检流程
| 层 | 内容 | 举例 |
|---|---|---|
| MCP 工具 | 真实数据读写 | queryServicesAll、inspectService、queryTraceDetail |
| Skills | 行为规则 | skill.data.metrics、skill.inspection.health |
外部 Agent 通过 MCP 查询 Doris 里的真实 OTel 数据，在 OpenClaw 对话区呈现为中文表格与结论------不是模型编造指标。
图：Skills 页 --- Workspace Skills 已启用 skill.data.metrics（问数口径）
4. 5 分钟接入：把 MCP + Skills 添加到 OpenClaw
前提 ：DataBuff 已部署，OpenClaw Gateway 所在环境能访问 DataBuff Web 端口（MCP 端点
http://<host>:<port>/mcp）。
两个环节： ① 在 Control UI 添加并发布 MCP 服务器 + 启用 Skills → ② Chat 直接提问 验证。OpenClaw 在 MCP 启用后自动挂载工具，无需在对话里手动勾选。官方集成包在 GitHub integrations/agent/ 提供 SKILL.md 与配置参考，在界面操作，不是改本地 JSON / 跑 cp 命令。
Step 1 · 部署 DataBuff（若尚未安装）：
bash
curl -fsSL https://databuff.ai/databuff/ai-apm-install.sh | bash
图：安装完成后 MCP 端点为 http://<host>:<port>/mcp
Step 2 · 添加 MCP 服务器
打开 OpenClaw Control UI → Settings → MCP ，在 Configured servers 区域新建条目（或编辑已有 databuff-apm），按下面填写：
| 配置项 | 填写内容 |
|---|---|
| 名称 | databuff-apm |
| URL | http://<你的 DataBuff 主机>:<端口>/mcp |
| Transport | streamable-http |
| 状态 | Enabled |
- 填完点 Save & Publish ，列表出现绿色 Enabled 的 databuff-apm 卡片
- 可选：点
openclaw mcp probe databuff-apm按钮或 CLI 探活，确认 Gateway 能连上 MCP
图：Settings → MCP --- databuff-apm 已启用，地址与 HTTP 传输可见
Step 3 · 添加 Skills
问数与巡检规则来自 GitHub integrations/agent/skills/（skill.data.metrics 问数口径、skill.inspection.health 巡检流程）。在 OpenClaw 界面添加，推荐两种方式：
| 方式 | 操作路径 |
|---|---|
| Skills 页启用 | Control UI → Skills → Workspace Skills 区域，将官方 Skill 目录放入工作区后刷新，打开开关（Ready） |
| Skill Workshop | Control UI → Skill Workshop → 基于 SKILL.md 创建提案 → 审阅后 Apply 为正式 Skill |
- 两个 Skill 均 Ready 后 → Skills 页应出现
skill.data.metrics、巡检相关 Skill - 点击 Skill 卡片查看问数 / 巡检规则是否完整
图：Skill 详情 --- 界面展示 APM 问数专家行为规则（来自官方 SKILL.md）
Step 4 · 验证 --- MCP 发布且 Skills Ready 后，Chat → 新对话 直接输入「列出最近 1 小时的服务」，应得到中文服务列表（见 §5）。
图：Instances --- Gateway 与 Control UI 均已连接
安全提示： MVP 无独立 MCP Token，请在内网 / VPN 使用；公网暴露请自行加网关。
5. 三句话，看最终回复效果
配置完成后，在Chat 直接提问。下方截图为Assistant 的最终中文回复。
① 「列出最近 1 小时的服务」
② 「巡检 service-a 的健康状况」
③ 「查询每个服务最近 1 小时的请求量趋势图」
验收标准： 对话区出现结构化中文结论 （表格 / 建议），不是模型编造数字；需要审计时可展开 Activity 查看
Databuff-apm工具名。
6. 从「猜指标」到「调真实 APM」
DataBuff 把 APM 能力开放给任意 Agent 运行时；OpenClaw / 飞书 / 钉钉只是入口------MCP 查真数据、Skills 定口径 才是核心。完整配置与 FAQ 见 docs/使用手册/Agent集成.md 与 integrations/agent/README.md。
试一句：「巡检 service-a，再看全集群有没有异常。」