databuff
AI原生的开源应用性能监控（APM）系统，支持OpenTelemetry标准。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：databuff。 它的用途是：AI原生的开源应用性能监控（APM）系统，支持OpenTelemetry标准。 完整的 Skill 内容见：https://321skill.com/skills/databuff/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我分析一下最近一小时service-a的瓶颈在哪里，是应用本身、数据库还是下游服务？” 它会自动拉取相关服务的拓扑和性能指标，进行占比归因分析，并给出像“瓶颈在下游service-b，占比73.2%”这样有数据支撑的结论。或者直接说“巡检一下订单服务”，AI会并发调用巡检专家，在几分钟后生成一份包含健康分、错误日志详情的完整HTML报告。
介绍
DataBuff是一款面向AI智能体、微服务与云原生场景的AI原生开源APM软件。它解决了传统APM工具在AI时代难以追踪智能体调用链、分析Token消耗以及进行智能化根因定位的问题。
用户通过标准的OpenTelemetry协议或兼容SkyWalking的gRPC接口接入数据，即可在Web界面中获得全链路追踪、服务拓扑、性能指标（RED）等核心监控能力。其核心亮点在于内置的AI工作台，允许用户用自然语言直接查询系统状态，并调度不同的AI专家（如问数、巡检、运维、答疑）进行协同分析与处理。
它非常适合需要监控复杂分布式系统，特别是包含AI智能体调用场景的运维工程师、后端开发和智能体开发者。对于希望从“被动告警”转向“主动智能运维”的团队尤其有价值。
使用建议：初次部署建议从Docker Compose方式开始，并优先接入1-2个核心服务进行体验。注意其部分AI应用监控和eBPF功能尚在路线图（Roadmap）中，当前版本可重点关注其自然语言查询和多智能体协同诊断能力。
核心特点
核心区别在于其深度集成的AI能力并非外挂聊天框，而是让LLM直接查询真实的Trace、指标数据来回答问题，并内置了可协同工作的多智能体专家体系（如问数、巡检、运维），能并发处理复杂任务并生成带证据链的报告。
注意事项
其AI应用监控（如LLM调用链追踪）和eBPF无侵入采集功能目前尚在开发路线图（Roadmap）中，暂不可用。
常见问题
DataBuff和SkyWalking是什么关系？
DataBuff兼容SkyWalking的原生gRPC协议，老SkyWalking用户只需修改exporter地址即可无缝切换，同时它还支持标准的OpenTelemetry（OTLP）协议。
如何体验在线Demo？
访问官网提供的Demo链接后，需要加入其官方交流群（如微信群）获取登录所需的账号和密码。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/databuff/raw/index.md 读取 databuff 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/databuff/raw/index.md（查看排版版本）