Сервер Inspektor Gadget MCP соединяет низкоуровневую наблюдаемость ядра с LLM через протокол Model Context Protocol (MCP). Он превращает необработанную телеметрию на основе eBPF - DNS-следы, TCP-соединения, выполнение процессов, активность файлов, сискалы и многое другое - в работоспособный интеллект, который агенты ИИ могут обдумать, включив ** анализ корневых причин** непосредственно из вашего интерфейса чата IDE или AI.

Особенности

Анализ корневой причины на основе ИИ — LLM соотносят данные ядра низкого уровня с несколькими устройствами, чтобы с уверенностью выявлять проблемы, заменяя догадки доказательствами. Полное управление жизненным циклом гаджетов — развертывайте, запускайте, останавливайте и извлекайте результаты из инструментов Inspektor Gadget, никогда не покидая своего чата AI. ** Режимы переднего плана и фона** — Запустите гаджеты на переднем плане для быстрой отладки или в фоновом режиме для непрерывной видимости, а затем извлеките результаты, когда будете готовы. Регистрация динамического инструмента — каждый гаджет становится собственным инструментом MCP (например, gadget_trace_dns, gadget_trace_tcp), с параметрами, описаниями полей и фильтрацией, автоматически генерируемыми из метаданных гаджета.

Inspektor Gadget MCP Server

The Inspektor Gadget MCP Server bridges Inspektor Gadget’s low-level kernel observability with LLMs through the Model Context Protocol (MCP). It turns raw eBPF-powered telemetry—DNS traces, TCP connections, process executions, file activity, syscalls, and more—into actionable intelligence that AI agents can reason over, enabling data-driven root cause analysis directly from your IDE or AI chat interface.

flowchart LR
    User["👤 User(IDE / Chat)"]
    LLM["🤖 LLM"]
    MCP["⚙️ IG MCP Server"]
    IG["🔍 Inspektor Gadget"]
    Kernel["🐧 Linux Kernel(eBPF)"]
    K8s["☸️ KubernetesCluster"]

    User -- prompt --> LLM
    LLM -- MCP tool calls --> MCP
    MCP -- run gadgets --> IG
    IG -- eBPF hooks --> Kernel
    Kernel -. telemetry .-> IG
    IG -. enriched data .-> MCP
    MCP -. structured JSON .-> LLM
    LLM -- analysis & RCA --> User
    IG -- metadata --> K8s

Features

• AI-powered root cause analysis — LLMs correlate low-level kernel data across multiple gadgets to pinpoint issues with confidence, replacing guesswork with evidence.
• Full gadget lifecycle management — Deploy, run, stop, and retrieve results from Inspektor Gadget tools without ever leaving your AI chat.
• Foreground & background modes — Run gadgets in foreground for quick debugging or in background for continuous observability, then retrieve results when ready.
• Dynamic tool registration — Each gadget becomes its own MCP tool (e.g., gadget_trace_dns, gadget_trace_tcp), with parameters, field descriptions, and filtering automatically generated from gadget metadata.
• Read-only mode — Restrict the server to non-destructive operations for safe production use.
• Flexible deployment — Run as a local binary (stdio), Docker container, or deploy directly into your Kubernetes cluster (HTTP transport).

Background

The observability gap