AI 에이전트는 이제 운영 데이터를 정교하게 이해할 수 있습니다. 코딩 어시스턴트는 엔지니어가 티켓을 열기도 전에 오류를 조사하고, AI SRE는 호출을 받지 않고도 여러 서비스에서 발생한 장애를 서로 연관 지어 분석할 수 있습니다. 이처럼 끊임없이 변화하는 환경에서는 텔레메트리 데이터의 주 사용자가 더 이상 사람이 아닐 수도 있습니다.
이에 따라 옵저버빌리티 플랫폼은 사람과 에이전트 모두에게 효과적으로 작동해야 한다는 새로운 요구에 직면하고 있습니다. 텔레메트리는 UI뿐만 아니라 에이전트가 호출하고 자동화할 수 있는 인터페이스를 통해서도 손쉽게 이용할 수 있어야 합니다. API, Model Context Protocol(MCP), 명령줄 인터페이스(CLI)가 그 대표적인 예입니다.
이처럼 데이터를 다루는 사람과 머신 모두에게 효과적인 옵저버빌리티를 제공하기 위해 Snowflake는 새롭게 개선된 Observe by Snowflake MCP 서버와 MCP의 모든 기능을 동일하게 지원하는 신규 Observe CLI의 정식 출시(GA)를 발표합니다. 현재 모든 클러스터에 순차적으로 배포 중이며 eu-2와 ca-1 클러스터에도 곧 제공될 예정입니다. 이에 따라 MCP 서버가 에이전트에 제공하는 모든 작업을 CLI 명령으로도 실행할 수 있습니다.
이 두 도구는 자체 AI 에이전트를 Observe에 연결하거나 기존 UI를 거치지 않고 Observe 플랫폼과 직접 상호작용하려는 엔지니어 커뮤니티를 위해 설계됐습니다. 예를 들어 엔지니어들은 MCP 서버와 CLI를 활용해, 경고 발생 시 Observe를 자동 쿼리하고 디버깅 컨텍스트에 필요한 프로덕션 텔레메트리를 가져오는 사용자 지정 경고 분류 에이전트, 인시던트 조사 과정에서 사람과 협업하는 AI 코파일럿 등 다양한 기능을 구축하고 있습니다.
새롭게 설계된 MCP 서버와 신규 CLI를 통해, 프로덕션 환경을 추론해야 하는 에이전트는 이제 Observe를 직접 쿼리할 수 있어 운영 분석의 속도와 효율성을 더욱 높일 수 있습니다.
Observe 플랫폼 전체를 지원하는 AI 에이전트 호환 CLI
기존 Observe CLI는 플랫폼 기능 가운데 일부만 지원했으며, 대부분의 기능은 터미널에서 사용할 수 없었습니다. 새로운 에이전트 호환 CLI는 명령줄에서 Observe 기능에 프로그래밍 방식으로 액세스할 수 있도록 지원하며, MCP 서버와 UI에서도 동일한 기능을 제공합니다. 또한 Claude Code와 같은 에이전트 환경은 물론 인터랙티브 터미널 세션에서도 사용할 수 있습니다.
일부 워크플로우는 엔지니어가 개입하지 않아도 백그라운드에서 자율적으로 실행되며, 반복적인 작업을 자동으로 처리할 수 있습니다. 반면 일부 워크플로우는 엔지니어가 직접 조사를 이끌어야 하는 대화형 작업을 위해 설계됐습니다. 새로운 CLI는 사용자가 옵저버빌리티 워크플로우를 구성하고 자동화하며 확장하도록 지원하는 프로그래밍 방식의 인터페이스입니다.
일반적인 옵저버빌리티 워크플로우를 위한 사전 구축 스킬
CLI와 MCP 서버에는 Observe 엔지니어가 일반적인 옵저버빌리티 작업을 해결하는 방식을 기반으로 설계된 구조화된 워크플로우인 스킬 라이브러리가 포함됩니다. 에이전트와 엔지니어는 이러한 스킬을 즉시 활용해 인시던트를 조사하고, 장애를 추적하며, 변경 사항을 검증하고, n+1 문제를 찾아내고, 이상치를 탐지할 수 있습니다. 구성을 완료하면 별도의 추가 설정 없이 스킬을 즉시 사용할 수 있으므로, 사람과 AI 에이전트 모두 곧바로 업무를 시작할 수 있습니다.
비용 효율성과 AI 에이전트 접근성을 고려해 재설계한 MCP 서버
MCP 서버를 새롭게 설계하기에 앞서 Snowflake는 이미 자체 에이전트를 Observe에 연결해 사용 중인 엔지니어링 팀의 의견을 들었습니다. 이들의 피드백은 새로운 MCP 서버를 설계하는 데 중요한 기준이 되었습니다.
LLM 중간 계층을 제거해 MCP 서버의 운영 비용 효율성을 높였습니다. 이제 에이전트가 Observe API에 직접 연결되므로 호출할 때마다 발생하는 지연 시간과 오버헤드가 줄어듭니다.
이전에는 지원되는 프로그래밍 방식의 액세스가 없어 여러 팀이 자체 우회 방안을 구축해야 했습니다. 새롭게 설계된 MCP 서버는 이러한 팀들이 실제로 필요로 했던 기능을 제공합니다.
엔지니어링 팀은 이미 구체적인 사용 사례를 염두에 두고 있었습니다. 조사 후 대시보드 업데이트, 자동 보고서용 차트 이미지 가져오기, APM 오류 직접 쿼리 등이 대표적입니다. Snowflake는 이러한 요구를 지원할 수 있도록 플랫폼을 확장했습니다.
새로운 MCP 서버의 가장 큰 변화는 경제성입니다. 기존 아키텍처에는 사용자 지정 LLM 하네스가 내장돼 있었습니다. 이 하네스가 사용자 쿼리를 받아 추론한 뒤 답변을 반환하는 방식이었습니다. 하지만 파운데이션 모델이 발전하면서 Observe LLM을 중간 계층으로 둘 필요가 없어졌습니다. 새로운 아키텍처는 이 중간 계층을 제거함으로써 기존에 발생하던 비용을 사용자에게 전가할 필요가 없습니다.
기술 심층 분석: 에이전트에 Observe 직접 액세스를 제공하는 MCP 서버
기존 MCP 서버에서는 에이전트가 단일 엔드포인트로 쿼리를 보내면 Observe의 LLM이 질문을 해석해 답변을 반환했습니다. 따라서 에이전트는 Observe의 데이터 구조에 대한 직접적인 가시성이 없었고 데이터 세트를 탐색할 권한도 없었습니다. 이 방식은 Observe와 고객 모두에게 높은 비용 부담을 초래했습니다.
새로운 MCP 서버에서는 에이전트가 Observe 플랫폼에 직접 연결해 Observe 프론트엔드를 구동하는 것과 동일한 API에 액세스합니다. 이에 따라 에이전트는 Observe의 컨텍스트 그래프를 직접 쿼리하고, 가장 유용한 데이터 세트를 선별해 더 정확한 답변을 생성할 수 있습니다. 또한 효율적인 OPAL을 작성해 모든 텔레메트리 데이터를 대상으로 정밀한 옵저버빌리티 쿼리를 실행할 수 있습니다.
MCP 서버를 통해 에이전트는 Observe UI와 동일한 기능에 액세스할 수 있습니다. 여기에는 APM 서비스 맵, Observe의 OpenTelemetry 데이터 수집 설정, 활성 경고 목록 등이 포함됩니다.
이러한 기능을 통해 AI 에이전트는 기존 LLM 중간 계층에서 발생하던 지연 시간이나 비용 부담 없이 Observe에 저장된 정보에 직접 액세스할 수 있습니다.
MCP 서버 시작하기
Observe MCP 서버를 사용하려면 테넌트에 로그인한 후 “Manage account” → “MCP server details”로 이동하여 원하는 에이전트에 해당하는 설정 안내를 따르면 됩니다. 아래 데모에서는 전체 설정 과정과 실시간 장애 조사 워크플로우를 확인할 수 있습니다.
기술 스택의 모든 도구에서 옵저버빌리티 데이터 활용
Observe by Snowflake는 옵저버빌리티가 근본적으로 데이터의 문제라고 봅니다. 이에 옵저버빌리티 활용 방식의 변화를 선도할 수 있도록 기술을 구축하고 있습니다. 새로운 Observe MCP 서버와 CLI 액세스를 활용하면 팀이 이미 활용하는 AI 에이전트와 개발자 워크플로우에서 옵저버빌리티 데이터에 직접 액세스할 수 있습니다.
Observe by Snowflake 자세히 알아보기 및 시작하기
