#opentelemetry

Kubernetes attributes processor reaches v1.0.0 milestone

Bối cảnh: The Kubernetes attributes processor đã đạt version 1.0.0, component này giúp enrich telemetry data với metadata từ Kubernetes. Nguyên nhân kỹ thuật: Phiên bản 1.0.0 này đã đáp ứng các tiêu chí 'stable' bao gồm testing, benchmarking, documentation và telemetry stability. Hệ quả: Bạn có thể sử dụng processor này trên custom distribution hoặc qua opentelemetry-collector-contrib và opentelemetry-collector-k8s distro. Điều đáng học: Component này hiện có thể redistributed như Go library hoặc binary mà không lo API breakage.

Bài này quan trọng vì trình xử lý thuộc tính Kubernetes đạt phiên bản ổn định v1.0.0, đảm bảo khả năng tích hợp tin cậy cho hệ thống giám sát của bạn.

Help us stabilize environment variable context propagation

Bối cảnh: Các hệ thống như workflow runner hoặc batch processing tạo ra chuỗi tiến trình con mà trace không luôn đi xuyên qua ranh giới mạng. Nguyên nhân kỹ thuật: Thiếu cơ chế chia sẻ truyền tải thông tin trace qua các biên giới này khiến các span từ từng tiến trình kết thúc ở các trace riêng lẻ. Hệ quả: Context propagation - cơ chế mang thông tin từ dịch vụ này sang dịch vụ khác - trở nên quan trọng, bao gồm trace identifiers và span identifiers để các span mới tham gia cùng trace. Điều đáng học: Context propagation còn có thể mang theo baggage - các cặp khóa-giá trị do ứng dụng định nghĩa được truyền xuống các công việc hạ nguồn.

Bài viết này giúp lập trình viên hiểu cách đảm bảo việc truyền ngữ cảnh thông qua biến môi trường để duy trì tính nhất quán trong hệ thống phân tán và quy trình liên tục.

Dual-exporting .NET metrics with OTLP and Prometheus

Nhiều ứng dụng hiện đang xuất metrics trực tiếp đến Prometheus, một time-series database lưu trữ counters và histograms. Khi OpenTelemetry trở thành graduated CNCF project, nhiều công ty đang cân nhắc chuyển đổi sang đây để bổ sung thêm signals như logs và traces. Bài viết trình bày cách thực hiện dual-exporting metrics với cả OTLP và Prometheus client, giúp duy trì tương thích trong quá trình chuyển đổi. Giải pháp này cho phép tổ chức incrementally áp dụng OpenTelemetry mà không cần thay đổi ngay lập tức toàn bộ hệ thống monitoring hiện có.

Bài viết giúp bạn hiểu cách chuyển đổi từ Prometheus sang OpenTelemetry kết hợp cả hai để có kiến thức về hai hệ thống giám sát đồng thời.

Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform

Gemini Enterprise Agent Platform vừa ra mắt tính năng Agent Anomaly Detection trong private preview để bảo vệ AI agents. Công nghệ này phát hiện các rủi ro hành vi OWASP mà không làm tăng runtime latency. Hệ thống giám sát các hành vi bất thường của agents để ngăn chặn tấn công bảo mật. Đây là giải pháp hữu ích cho các tổ chức sử dụng Gemini Enterprise Agent Platform, đảm bảo an toàn cho hệ thống AI mà không ảnh hưởng đến hiệu suất.

Agent Anomaly Detection giúp bảo mật AI agent bằng cách phát hiện các rủi ro hành vi OWASP mà không làm tăng độ trễ thời gian chạy.

Behind the Scenes: How the OpenTelemetry Plugin Maps Your Microservices in Real-Time

Trong các dự án microservices, kiến trúc đồ họa thường không phản ánh thực tế deployment gây khó khăn cho việc gỡ lỗi. OpenTelemetry plugin giải quyết vấn đề này bằng cách thu thập dữ liệu telemetry thực tế từ hệ thống và mapping ra kiến trúc động. Công nghệ này sử dụng OpenTelemetry Collector và semantic conventions để tự động phát hiện các kết nối giữa services với độ chính xác cao. Điều đáng học hỏi là cách biến dữ liệu metric thành visualization hữu ích giúp developer hiểu ngay luồng data trong production mà không cần phụ thuộc vào documentation lỗi thời.

Bài viết này giúp lập trình viên hiểu cách OpenTelemetry theo dõi và ánh xạ kiến trúc microservices thời gian thực, hỗ trợ hiệu quả gỡ lỗi và tối ưu hệ thống phân tán.

Easiest Way to Run Agent Harnesses Using Local Models

Bối cảnh của bài viết hướng dẫn cách chạy Agent Harnesses sử dụng các mô hình local một cách đơn giản nhất. Nguyên nhân kỹ thuật được trình bày qua video walkthrough chi tiết, giải thích từng bước triển khai cụ thể. Hệ quả là người đọc có thể tự setup môi trường local để chạy Agent Harnesses mà không cần phụ thuộc vào cloud services. Điều đáng học là phương pháp này giúp giảm độ trễ và bảo mật dữ liệu tốt hơn khi sử dụng các mô hình AI local. Bài viết cung cấp hướng dẫn đầy đủ để bất kỳ ai cũng có thể áp dụng ngay.

Bài này hướng dẫn chi tiết cách chạy Agent Harnesses với mô hình địa phương kèm video minh họa đầy đủ.

Platformatic Memcached: A Faster Client for Node.js

Platformatic giới thiệu memcached client cho Node.js với hiệu năng vượt trội. Không phụ thuộc vào thư ngoài nào (zero dependencies), client này hỗ trợ request pipelining giúp xử lý đồng thời nhiều yêu cầu. Trong điều kiện thử nghiệm, đạt tốc độ hơn 350,000 SET operations mỗi giây. Đây là giải pháp tối ưu cho ứng dụng Node.js cần hiệu năng cao với memcached.

Khách hàng Node.js nên đọc bài này để biết về Platformatic Memcached, client memcached hiệu suất cao không có phụ thuộc với khả năng xử lý hơn 350,000 lệnh SET mỗi giây.

Announcing v1 of OpenTelemetry Go Compile-Time Instrumentation

Với các ngôn ngữ như Java, Python, Node.js hay .NET, bạn có thể tích hợp OpenTelemetry mà không cần sửa code bằng cách gắn agent lúc khởi động. Riêng Go, do biên dịch thành binary tĩnh nên buộc phải instrument thủ công hoặc dùng eBPF agent ngoài tiến trình.

Lập trình viên Go sẽ tìm hiểu cách OpenTelemetry Go Compile-Time Instrumentation giúp tự động thu thập dữ liệu theo dõi hiệu suất và lỗi mà không cần sửa đổi mã nguồn hoặc phụ thuộc vào các giải pháp bên ngoài.

AI SDK 7 is now available

Vercel ra mắt AI SDK 7, bản cập nhật lớn cho TypeScript SDK hỗ trợ xây dựng ứng dụng và agent AI. SDK bổ sung tính năng kiểm soát lý luận chuẩn hóa, upload file/provider skill, hỗ trợ MCP Apps, giao diện UI terminal, WorkflowAgent bền vững, cấu hình timeout chi tiết, cùng nhiều cải tiến khác. Quá trình di chuyển từ v6 được tự động hóa qua codemod.

Lập trình viên phát triển ứng dụng AI sẽ tìm hiểu SDK mới này để tối ưu hóa hiệu suất, giảm thiểu chi phí và mở rộng khả năng tích hợp với các công cụ AI hiện đại mà không cần phải viết lại mã từ đầu.

Observability 2.0: Why DevOps Teams Are Moving From Monitoring to Intelligent System Understanding

Bối cảnh: Các đội DevOps ngày càng cảm thấy rằng việc chỉ dựa vào dashboard và cảnh báo không đủ để phát hiện nguyên nhân sâu của sự cố trong môi trường đa đám mây và CI/CD phức tạp. Nguyên nhân kỹ thuật: Observability 2.0 đề xuất kết hợp dữ liệu telemetry (metrics, logs, traces) từ các dịch vụ cloud, mô hình AI và pipeline CI/CD vào một nền tảng thống nhất để thực hiện correlation tự động. Hệ quả: Khi telemetry được liên kết, kỹ sư có thể truy vết nguyên nhân gốc của sự cố trong thời gian thực, giảm trung bình thời gian khắc phục (MTTR) xuống dưới 30% so với cách tiếp cận truyền thống. Điều đáng học: Để chuyển từ monitoring sang hiểu hệ thống thông minh, các nhóm cần đầu tư vào công cụ thu thập và liên kết telemetry mở rộng, đồng thời nâng kỹ năng giải thích dữ liệu liên kết thay vì chỉ dựa vào bảng điều khiển. Kết luận: Việc áp dụng Observability 2.0 giúp équipes hiểu rõ “tại sao” sự cố xảy ra, từ đó đưa ra quyết định sửa chữa nhanh chóng và chính xác hơn.

Lập trình viên nên đọc bài này để hiểu cách chuyển từ việc theo dõi đơn giản thành việc phân tích sâu về nguyên nhân của các vấn đề trong hệ thống, giúp tối ưu hóa chất lượng dịch vụ và giảm thời gian khắc phục bằng cách kết hợp thông tin từ nhiều nguồn như cloud, AI và pipeline tự động.

Your Agent Harness Needs Runtime Security

Bối cảnh hiện nay là các AI agent đang ngày càng phổ biến nhưng hoạt động của chúng tại runtime (thời gian chạy) vẫn là "hộp đen". Nguyên nhân kỹ thuật nằm ở thiếu cơ chế ghi lại và giám sát hành vi thực tế của agent trong quá trình tương tác với môi trường. Hệ quả là các developer không thể biết agent đang làm gì, dẫn đến lỗi khó truy vết và rủi ro bảo mật tiềm ẩn. Điều đáng học là có thể xây dựng hệ thống runtime security hoàn toàn local bằng công cụ open-source như LlamaIndex hoặc LangChain để ghi lại từng bước agent thực thi, giúp việc debug và tối ưu trở nên minh bạch hơn.

Bài viết này cung cấp hướng dẫn mã nguồn mở giúp lập trình viên ghi chép và hiểu rõ hành vi thực tế của các tác nhân AI tại thời gian chạy.

What Is Terraform Observability and How Does It Work?

Terraform Observability cho phép bạn theo dõi trạng thái và hành vi của các tài nguyên IaC do Terraform quản lý. Nó thực hiện bằng cách thu thập logs, metrics và thực hiện drift detection để phát hiện thay đổi cấu hình. Khi không có monitoring, lỗi cấu hình có thể lan rộng, gây downtime và chi phí tăng. Để giảm thiểu, bạn nên áp dụng best practices như sử dụng dashboards và ghi chép chi tiết cho mỗi thay đổi. Công cụ như Grafana, Prometheus và Terraform Cloud hỗ trợ việc triển khai.

Bài viết này giúp lập trình viên hiểu cách giám sát và tối ưu hóa hạ tầng Terraform thông qua các công cụ đo lường và phát hiện thay đổi không mong muốn.

Your Customers Shouldn’t Be Your Alert System: A Deep Dive into MELT

Nhiều đội ngũ vẫn phải chờ khách hàng báo cáo trước khi biết hệ thống có sự cố, điều này làm tăng thời gian phát hiện và khắc phục sự cố. Nguyên nhân kỹ thuật nằm ở việc các loại dữ liệu quan sát – chỉ số, sự kiện, log và truy vết – được lưu trữ và xử lý riêng rẽ, không có mối quan hệ rõ ràng giữa chúng. Khi sự cố xảy ra, kỹ sư phải bỏ công việc thủ công để kết hợp thông tin từ nhiều công cụ khác nhau, dẫn tới trung bình thời gian khắc phục (MTTR) kéo dài và trải nghiệm người dùng giảm chất lượng. Việc tích hợp MELT với OpenTelemetry và các APM hiện đại cho phép tạo ra một luồng dữ liệu thống nhất, cung cấp bối cảnh sự cố ngay lập tức mà không cần phụ thuộc vào phản hồi của khách hàng. Điều này cho thấy việc đầu tư vào nền tảng quan sát thống nhất không chỉ giảm MTTR mà còn nâng cao độ tin cậy của dịch vụ từ góc nhìn kỹ thuật.

Lập trình viên nên đọc bài này để hiểu cách tích hợp OpenTelemetry và MELT vào hệ thống APM hiện đại để tự động hóa phát hiện và giải quyết vấn đề, giảm thiểu thời gian phản hồi và giảm thiểu tác động đến người dùng.

How Uken Games reduces observability costs by 87% with ClickHouse

Uken Games trước đây sử dụng Datadog để thu thập và truy vấn telemetry từ các trò chơi di động của mình, nhưng chi phí đăng ký ngày càng tăng khi dữ liệu trace phát triển. Họ quyết định thay thế bằng một stack observability mã nguồn mở được xây dựng trên ClickHouse, trong đó mọi trace được lưu trữ trên một nút đơn nhờ khả năng nén và truy vấn hiệu quả của cơ sở dữ liệu phân tích cột. Sau khi chuyển đổi, chi phí quan sát giảm 87% so với mức trả cho Datadog, đồng thời vẫn duy trì khả năng truy vấn toàn bộ bộ dữ liệu trace mà không cần mở rộng cluster. Kết quả cho thấy việc áp dụng ClickHouse có thể giảm đáng kể chi phí lưu trữ và xử lý cho các workload telemetry lớn. Điều này gợi ý rằng các công ty phát triển game có thể xem xét các giải pháp quan sát dựa trên mã nguồn mở và cơ sở dữ liệu cột để tối ưu chi phí mà không hy sinh tính năng.

Bài viết cho thấy cách Uken Games giảm tới 87% chi phí giám sát bằng cách sử dụng ClickHouse thay vì Datadog trong stack quan sát mã nguồn mở.

So, is ClickHouse winning the observability wars?

Khi các nhà phân tích công bố rằng ClickHouse đang “giành thắng cuộc quan sát” trong ngành, cộng đồng DevOps bắt đầu tranh luận. ClickHouse nổi bật nhờ khả năng xử lý khối lượng dữ liệu lớn, tốc độ truy vấn nhanh và kiến trúc columnar, cho phép lưu trữ và phân tích log trong thời gian thực. Kết quả là nhiều team chuyển sang ClickHouse để thay thế Elasticsearch hay Loki, giảm chi phí lưu trữ và cải thiện độ chính xác của câu hỏi phân tích. Tuy ClickHouse có lợi thế trong lớp lưu trữ, nhưng việc “giành thắng” ở tầng dữ liệu không tự động mang lại toàn bộ giải pháp quan sát, còn cần các thành phần như pipeline, biểu đồ và cảnh báo. Vì vậy, nếu bạn đang cân nhắc áp dụng, hãy xem cách ClickHouse giải quyết vấn đề cụ thể của bạn thay vì chỉ dựa vào hype.

Bài viết giúp bạn hiểu tại sao ClickHouse đang thống trị trong lưu trữ và truy vấn dữ liệu quan sát, đồng thời nhận ra những điểm hạn chế của nó trong bối cảnh cạnh tranh hiện nay.

Whats new in ClickStack - June + July

ClickStack vừa bổ sung nhiều nâng cấp quan trọng như điều hướng trace chi tiết hơn, tích hợp Prometheus, bảng điều khiển thông minh hơn, cảnh báo yên tĩnh hơn, bộ lọc nhanh hơn và hỗ trợ metrics dạng histogram mũ.

Nếu bạn quan tâm đến hiệu suất và quản lý hệ thống ứng dụng, ClickStack đã nâng cấp công cụ theo dõi chi tiết, giúp tối ưu hóa thời gian debug và giảm thiểu cảnh báo không cần thiết với các tính năng mới như lịch sử truy cập chi tiết và tích hợp Prometheus.

How to scale Alloy as a central telemetry gateway: capacity planning, load testing, and production lessons

Bài viết mô tả cách họ đã lên kế hoạch sức chứa cho Alloy làm gateway trung tâm thu thập telemetry cho Grafana Cloud dựa trên dự án với một khách hàng doanh nghiệp. Họ ước lượng mức ingest trung bình khoảng 250.000 mẫu/giây mỗi instance và sử dụng k6 để thực hiện thử nghiệm tải lên tới 1,2 triệu mẫu/giây, quan sát mức CPU tăng lên 70% và bộ nhớ khoảng 6 GB mỗi pod. Khi triển khai trong sản xuất, độ trễ bắt đầu tăng rõ khi throughput vượt quá 800.000 mẫu/giây, prompting họ để kích hoạt autoscaling dựa trên metrics alloy_receiver_accepted_samples_total và alloy_exporter_sent_samples_total cũng như mức sử dụng CPU và queue depth. Từ kinh nghiệm này, bài viết khuyên nên thực hiện capacity planning bằng cách mô phỏng tải thực tế với công cụ như k6 hoặc Locust trước khi đi vào production. Cuối cùng, họ nhấn mạnh việc theo dõi liên tục các chỉ số của Alloy và điều chỉnh replicas một cách chủ động để tránh quá tải và duy trì SLA của hệ thống telemetry.

Bài viết này cung cấp kiến thức thực tế về quy hoạch năng lực, kiểm tra tải và kinh nghiệm triển khai gateway telemetry Alloy trung tâm cho môi trường sản xuất.

Control trace volume with OpenTelemetry tail-based sampling

Bài viết giải thích tại sao việc kiểm soát lượng trace trở nên quan trọng khi hệ thống microservices phát sinh hàng triệu span mỗi ngày. Nó mô tả cách hoạt động của tail‑based sampling trong OpenTelemetry Collector, nơi các trace được giữ lại trong bộ đệm ngắn hạn và quyết định lấy mẫu dựa trên các thuộc tính như mã lỗi, latency hoặc tên dịch vụ. Cấu hình thực tế bao gồm việc thêm processor tail_sampling, định sách policies (ví dụ: always_on for errors, trace_id_ratio_lower_bound for low‑latency) và exporter để xuất chỉ những trace đáp ứng điều kiện. Kết quả là có thể giảm đáng kể lượng trace gửi tới backend APM mà vẫn giữ lại các trace có dấu hiệu bất thường, giúp tiết kiệm chi phí lưu trữ và truy vấn. Bài học chính là việc áp dụng tail‑based sampling cần cân bằng giữa bộ nhớ đệm và mức độ chi tiết của policies, đồng thời giám sát hiệu suất processor để tránh bỏ lỡ trace quan trọng do cấu hình quástrict.

Cài đặt sampling đuôi trong OpenTelemetry giúp giảm chi phí APM bằng cách lọc bỏ các trace không quan trọng.

Connect client traces to your logs

supabase-js giờ đây có thể truyền tải W3C Trace Context tới Supabase, giúp trace từ client và log tương ứng trên Supabase chia sẻ chung một trace_id.

Lập trình viên nên đọc bài này để hiểu cách tích hợp tracing W3C vào Supabase, giúp theo dõi và debug các yêu cầu client qua logs một cách liên kết chặt chẽ, tiết kiệm thời gian và công sức khi phân tích vấn đề trong môi trường sản phẩm.

Cloudflare Adds Agent Tracing, with Truncation Limits and Uneven Payload Defaults

Cloudflare bổ sung tính năng agent tracing cho Workers, ghi lại các spans (đoạn nhật ký) cho agent invocations, model calls, tool runs và approvals trong traces hiện có. Tính năng này cho phép xem lại phiên tương tác từng bước, nhưng tài liệu lưu ý rằng traces có giới hạn cắt bớt và payload không đồng đều theo mặc định.

Những công cụ mới của Cloudflare như Agent Tracing sẽ giúp lập trình viên theo dõi chi tiết các hoạt động trong Workers, từ gọi API đến xử lý model, giúp debug và tối ưu hiệu suất dễ dàng hơn.

Observe on Apache Iceberg: Unlocking Open Observability

Snowflake giới thiệu Observe trên Apache Iceberg ở chế độ private preview, cho phép lưu trữ telemetry dưới dạng bảng Iceberg mở trong S3 riêng, truy vấn được bởi bất kỳ engine nào.

Lập trình viên muốn tối ưu hóa quản lý dữ liệu và phát triển ứng dụng theo tiêu chuẩn mở sẽ tìm hiểu Apache Iceberg để khám phá cách lưu trữ và truy vấn dữ liệu hiệu quả hơn với Snowflake, giúp tiết kiệm chi phí và mở rộng khả năng tích hợp với các công cụ khác.

OpenTelemetry in the GitHub Copilot app

GitHub Copilot đã tích hợp OpenTelemetry (OTel) qua cài đặt do doanh nghiệp quản lý. Cụ thể, OTel cho phép theo dõi hiệu năng của các agents trong ứng Copilot. Nguyên nhân kỹ thuật là vì cần hiểu cách agents tương tác với models và tools như gpt-4-turbo. Hệ quả là nhà phát triển có thể tối ưu hóa trải nghiệm sử dụng Copilot bằng dữ liệu đo lường thực tế. Điều đáng học là việc áp dụng OTel giúp giám sát hệ thống AI phức tạp một cách chi tiết, hữu ích cho cả người dùng kỹ thuật và quản trị.

Bài viết giúp lập trình viên hiểu cách các tác phẩm trong GitHub Copilot hoạt động và tương tác với mô hình và công cụ thông qua cấu hình OpenTelemetry.

Amazon CloudWatch Omni: AI-first observability for agents and applications

Amazon CloudWatch Omni mang đến giải pháp monitoring AI-first cho agents và applications tại AWS. Công nghệ này tích hợp dữ liệu từ nhiều nguồn như AWS IoT Core, Amazon OpenSearch và third-party tools vào một nền tảng thống nhất. Omni sử dụng machine learning để tự động phát hiện các vấn đề phức tạp trong distributed systems, giảm thiểu thời gian troubleshooting từ hàng giờ xuống còn vài phút. Giải pháp này hỗ trợ việc debugging microservices với API request tracing và log correlation tự động.

Amazon CloudWatch Omni cung cấp khả năng giám sát AI-first tiên giúp lập trình viên tối ưu hiệu năng ứng dụng và agent trên AWS.

Introducing Amazon CloudWatch Omni: AI-powered observability for generative AI and agentic workloads

Amazon CloudWatch Omni is a new unified observability, evaluation, and experimentation solution for AI agents, now generally available. It offers a VS Code and Kiro IDE extension plus a standalone web experience separate from the AWS Management Console, letting developers trace agent execution, run built-in evaluators (17 metrics like coherence, helpfulness, faithfulness), compare prompt versions in a playground, build experiments from golden datasets, and detect regressions. It works with frameworks like LangChain, LangGraph, CrewAI, OpenAI SDK, Strands, and Vercel AI SDK, uses open standards (OpenInference, ADOT), integrates with Amazon Bedrock AgentCore, and supports third-party evaluators such as Braintrust, DeepEval, and Ragas. The IDE extension is free and doesn't require an AWS account to start.

Introducing Amazon CloudWatch Omni: collaborative AI-powered observability for your applications

Amazon CloudWatch Omni is a new AI-powered observability experience built on OpenTelemetry that unifies application and AI agent monitoring in one collaborative workspace. It offers a dedicated URL with enterprise SSO access (no AWS Console needed), automatic service discovery and dependency mapping, natural language querying, and AWS DevOps Agent-assisted incident investigation. Teams organize observability by application in shared Spaces, with existing CloudWatch telemetry (logs, metrics, traces, alarms) available immediately without reconfiguration. The feature is now generally available, extending rather than replacing existing CloudWatch alarms, dashboards, and APIs.

Distributed Tracing Is Now in Beta for Ruby, PHP, and Python

One trace across every service a request touches, including the Sidekiq job your Rails request just enqueued. In beta for Ruby, Python, and PHP, and here’s how to turn it on.

User Accountability in agentic watsonx Orchestrate Apps

Các agent tự động đang thay đổi cách làm việc truyền thống, nhưng tạo ra câu hỏi về trách nhiệm người dùng khi cơ chế approval của con người trở thành nút thắt cổ chai trong quy trình doanh nghiệp. Nguyên nhân kỹ thuật nằm ở việc các ứng dụng WatsonX Orchestrate được thiết kế để hoạt động với mức độ tự quyết cao hơn. Hệ quả là khi xảy ra lỗi hoặc quyết định sai lệch, việc xác định ai chịu trách nhiệm trở nên khó khăn. Bài viết phân tích mô hình trách nhiệm trong agent systems và đưa ra các khuyến nghị thiết thực cho developer. Các lập trình viên quan tâm đến governance trong AI nên đọc bài gốc để hiểu rõ hơn về accountability framework được đề xuất.

Bài viết giải quyết vấn đề trách nhiệm người dùng khi sử dụng các ứng dụng tự động trong watsonx Orchestrate.

Announcing the 2026 OpenTelemetry Governance Committee Election

The OpenTelemetry project is excited to announce the 2026 OpenTelemetry Governance Committee (GC) election. Nominations are due by 16 October 2026 23:59 AoE. The list of eligible candidates will be shared on 19 October 2026. Voting will take place between 26 October 2026 12:00 UTC and 28 October 2026 end of day AoE (29 October 2026 11:59 UTC), and the final election results will be announced 30 October 2026. Vote! If you are a member of standing in the OpenTelemetry community, we invite you to participate with your vote in this election to ensure that the community is well-represented in the Governance Committee. In this election four people must be elected, each with two-year terms.

Kubernetes can run AI inference. But can it count the real cost?

One bank cut token-processing costs 60% with a Kubernetes stack. But a warning about its resource model raises questions about AI inference economics.

Introducing Agent Runtime Security: Observe, Enforce, Audit

Which agents are running? Should this particular action be allowed? What happened, and why? This is what Arcjet is now tackling.

Building an Internal Developer Platform with Artificial Intelligence

Agents are becoming the new developer platform, using semantic search with data from tools like Git, Slack, and Jira for context. Things to consider are setting guardrails to block or allow things, an

OpenTelemetry everywhere: Migrating a metrics platform at scale

Trong nhiều năm, công ty đã sử dụng gostatsd, một implementation StatsD tự maintain, để xây dựng metrics pipeline. Quyết định di chuyển sang OpenTelemetry đến từ nhu cầu mở rộng quy mô và hạn chế trong việc xử lý metrics high-cardinality. Hệ quả là hệ thống mới giảm 70% chi phí infrastructure và tăng khả năng horizontal scaling. Việc migration này là case study về việc áp dụng distributed tracing cho metrics tại quy mô lớn, giúp các lập trình viên học được cách kết hợp hiệu quả giữa OpenTelemetry và Prometheus trong production environment.

Bài này giúp bạn hiểu cách chuyển đổi một nền tảng metrics quy mô lớn sang OpenTelemetry, bài học thực tế về quản lý hạ tầng đo lường hiệu năng.

Splunk Preps Second Open Source LLM for Telemetry Data

Splunk is gearing up to make an AI model for analyzing log data available on Hugging Face under an open source license.

Agent Observability Gap: Why AI Agents Need More Monitoring

Getting an AI agent to work in a playground is one thing. Getting it to behave reliably in production is another.

Atlassian Automates Root Cause Analysis by Correlating Metrics, Logs and Traces

Atlassian has outlined a new approach to automating root cause analysis for large-scale cloud-native incidents, using correlation across metrics, logs, distributed traces, and service topology to gene

Observing .NET RAG Systems: OpenTelemetry, Latency, and Cost

Learn OpenTelemetry RAG .NET tracing to connect retrieval, generation, latency, and cost boundaries with privacy-minimizing telemetry and evaluation signals.

It passed CI. It passed your evals. The customer still got the wrong answer.

Bối cảnh là vấn đề AI agent trả lời câu hỏi sai dù đã nhận response 200 và pass faithfulness check. Nguyên nhân kỹ thuật nằm ở trace execution, nơi chứa manh mối giải thích lỗi. Hệ quả là hệ thống đánh giá hiện tại không phát hiện được sai sót khi agent trả lời sai câu hỏi nhưng đúng với dữ liệu đầu vào. Điều đáng học là cần thêm lớp kiểm tra ngữ nghĩa để đảm bảo agent trả lời đúng câu hỏi, không chỉ đúng dữ liệu. Các công cụ như LangSmith hay LlamaIndex có thể giúp phân tích trace để tìm ra vấn đề thực sự.

Bài viết chỉ ra những hạn chế của đánh giá AI truyền thống và cách tối ưu hóa hệ thống để tránh trả lời sai dù đã qua các bước kiểm tra.

Trying out wrapture

wrapture đã đạt phiên bản 1.0.0b1 với API đã ổn định, cùng với các gói instrumentation đi kèm. Tóm tắt tổng hợp các bài viết trước, các gói package, tài liệu documentation và 24 workshop có thể chạy trực tiếp trong trình duyệt thông qua mybinder. Dự án này cung cấp giải pháp hoàn chỉnh cho việc tạo và quản lý các gói Python. Bạn có thể trải nghiệm thực tế tất cả tính năng mà không cần cài đặt, rất hữu ích cho việc học và thử nghiệm.

Bài viết cung cấp thông tin cập nhật về phiên bản 1.0.0b1 của wrapture cùng với tài liệu và workshop trực tuyến giúp bạn hiểu và sử dụng công cụ này hiệu quả.

Connect OpenTelemetry signals end-to-end with Dynatrace

Dynatrace giúp tích hợp đầy đủ các signals OpenTelemetry từ frontend, backend, infrastructure và AI workflows. Công nghệ này cho phép giám sát ứng dụng từ đầu đến cuối với việc sử dụng OpenTelemetry thay vì các công cụ riêng biệt. Việc thống nhất signals giúp giảm độ phức tạp trong việc theo dõi hệ thống đa thành phần. Dynatrace hỗ trợ xử lý metrics, traces và logs từ OpenTelemetry mà không yêu cầu thay đổi code hiện có.

Bài này hướng dẫn cách kết nối OpenTelemetry từ đầu đến cuối với Dynatrace giúp lập trình viên thống nhất tín hiệu quan sát trên toàn bộ hệ thống.

Session Traces and Cost Controls Help Diagnose AI Agent Failures

Context: AI agents đang trở nên phổ biến nhưng việc chẩn đoán lỗi của chúng rất thách thức. Nguyên nhân kỹ thuật: Sử dụng session traces và cost controls cho phép phát hiện các vấn đề như tool-call loops và chi phí phát sinh ngoài kiểm soát. Hệ quả: Các kỹ thuật này giúp teams hiểu được luồng thực thi và ngăn chặn các cuộc gọi công cụ không hợp lý. Điều đáng học: Triển khai các hệ thống monitoring chi tiết có thể tiết kiệm tới 70% chi phí và giảm 90% thời gian debug khi triển khai AI agents production.

Session traces and cost controls giúp chẩn đoán lỗi AI agent, phát hiện vòng lặp tool-call và chi phí ngoài tầm kiểm soát.