Digma

Digma 是一款 agentic AI SRE 平台，可分析运行时和可观测性数据，帮助定位代码与基础设施问题的根因，并给出修复建议，让开发者和工程团队更早发现问题并基于现有可观测性数据处理。

概述

Digma 是一款 agentic AI SRE 平台，可分析运行时和可观测性数据，识别代码和基础设施中的问题，定位根因，并提出修复建议。网站将其定位为传统 APM 工具的补充层，专注于在开发周期更早阶段发现问题。

该产品使用 Dynamic Code Analysis 来检查原始可观测性数据，发现性能回退、瓶颈、扩缩容问题和运行时错误，并帮助团队在问题进入生产环境前采取行动。它还包含一个 MCP 服务器，可为 AI 辅助代码审查、测试生成和修复建议添加运行时上下文。

功能

跨代码与基础设施的根因分析

分析运行时行为，识别代码和基础设施层面的故障，然后指出根因，而不仅仅是弹出告警。

修复建议与修复生成

提出修复建议，例如拉取请求或配置变更；MCP 服务器还可帮助基于运行时上下文生成修复。

可观测性与源数据连接

连接可观测性数据以及 PostgreSQL、GitHub 和 Kubernetes 等关键来源，让分析建立在真实系统数据之上。

预生产问题检测与优先级排序

使用 Dynamic Code Analysis 更早在预生产阶段发现问题，并在问题升级前根据真实影响优先排序。

面向代理辅助开发的 MCP 服务器

提供 MCP 服务器，为 AI 智能体补充运行时上下文，用于代码审查、测试生成和问题解决。

本地与私有部署模式

可供个人开发者本地运行，也为团队提供本地部署或私有云部署选项。

用例

左移式性能调试
在本地开发时使用 Digma，在代码进入共享环境之前暴露性能问题和回退。
预生产问题检测
在预生产环境中使用该平台，识别与最近变更相关的瓶颈、扩缩容问题和运行时错误。
PR 审查中的破坏性变更识别
在拉取请求期间使用 Digma 的 MCP 服务器，突出显示有风险的代码、受影响的依赖项以及合并前可能出现的故障。
基于观测行为的测试生成
使用来自可观测性数据的运行时上下文，生成或优化能反映真实跟踪、错误和异常的测试。
性能修复
使用 AI 智能体为缓慢的数据库查询、API 瓶颈以及代码路径中的其他高成本低效问题提出修复建议。

Pros and Cons

Pros

通过分析开发和预生产中的运行时行为，比仅在生产环境监控更早发现问题。
将可观测性数据与代码级上下文连接起来，帮助团队追踪问题回到受影响的源代码区域。
可提出修复方案，例如拉取请求或配置更新，而不只是停留在检测层面。
支持本地使用、内部部署和私有云环境的部署选项。
包含一个 MCP 服务器，可为代码审查、测试和修复生成扩展 AI 工具的运行时上下文。

Cons

最强的主张主要集中在产品网站上；来源未为每项集成或工作流细节提供深入的技术文档。
团队似乎需要已有的可观测性栈或运行时数据，才能从平台获得最大价值。

FAQ

Digma 与传统 APM 工具有何不同？

Digma 补充而非替代传统 APM 工具。来源说明，APM 通常在生产环境中发现问题，而 Digma 使用 Dynamic Code Analysis，在开发周期更早阶段暴露问题。

Digma 能在合并前帮助识别破坏性变更吗？

是的。来源说明 Digma 会分析每次代码变更，并在拉取请求合并前突出显示受影响区域，因此团队可以在发布前看到哪些内容可能会出问题。

Digma 是否需要代码改动或复杂的可观测性配置？

不能。来源说明 Digma 无需代码改动，并且符合 OTEL 标准，因此可以接入现有的可观测性数据。

Digma 运行在哪里？

对于团队，Digma 可以部署在本地、内部部署环境或私有云中。免费的开发者计划可完全在笔记本电脑上本地运行。

Digma 会把数据发送到公共 AI 服务吗？

来源说明 Digma 避免使用会将数据共享到组织外部的公共 AI 模型，数据会保留在本地。

Quick Facts

类别: 开发者工具
产品类型: Agentic AI SRE / 可观测性平台
主要用户: 个人开发者和工程团队
部署: 本地、内部部署和私有云
网站: digma.ai
定价模式: 开发者免费计划；团队付费计划；MCP 服务器标注为即将推出