Latest developer news about grafana, summarized in Vietnamese by AI.
Hướng dẫn xây dựng nền tảng tin cậy và quan sát (trust and observability) cho agent của bạn bằng Grafana Agent Observability, dựa trên kinh nghiệm triển khai Assistant.
Một lập trình viên muốn xây dựng hệ thống AI đáng tin cậy phải hiểu cách tích hợp Grafana Agent để theo dõi và giám sát hành vi của các agent, từ đó phát hiện lỗi sớm và cải thiện độ tin cậy trong ứng dụng của mình.
ClickStack và Grafana đều là lựa chọn phổ biến để quan sát (observability) dữ liệu từ ClickHouse, nhưng mỗi công cụ có ưu điểm riêng tùy thuộc vào nhu cầu sử dụng. Bài viết so sánh chúng và đưa ra trường hợp nên kết hợp cả hai.
Những lập trình viên sử dụng ClickHouse để theo dõi hệ thống nên đọc bài này để so sánh hiệu quả giữa ClickStack và Grafana trong việc tích hợp, quản lý và tối ưu hóa các công cụ theo dõi dữ liệu, giúp họ lựa chọn giải pháp phù hợp với quy mô và yêu cầu của dự án.
Công cụ AI giúp tăng độ tin cậy vào mã code và các tác nhân (agents) bằng cách kết hợp gcx CLI và Grafana MCP.
Lập trình viên nên đọc bài này để khám phá cách sử dụng telemetry và công cụ gcx CLI cùng Grafana MCP để theo dõi, phân tích và tăng tự tin trong việc kiểm soát hành vi của các agent AI trong quá trình phát triển ứng dụng.
Tuần lễ AI đầu tiên giới thiệu những cải tiến mới trong AI cho observability và ngược lại, đồng thời cung cấp cơ hội trải nghiệm trực tiếp các công cụ AI mới nhất.
Lập trình viên nên đọc bài này để khám phá cách AI đang thay đổi cách theo dõi, giám sát và tối ưu hóa các hệ thống tự động hóa, giúp bạn hiểu rõ hơn về công cụ mới nhất và cách áp dụng chúng vào dự án của mình.
Bài đánh giá thực tế về thiết bị RAKwireless WisMesh Station, một gateway Meshtastic dựa trên Raspberry Pi 4 trong vỏ kim loại, bao gồm lắp ráp, bổ sung cảm biến BME680, cấu hình băng tần LoRa AS923, và thử nghiệm truyền tin mesh cùng GPS. Tác giả cũng triển khai hệ thống giám sát (Mosquitto MQTT, Node-RED, InfluxDB, Grafana) để hiển thị telemetry cục bộ, ghi nhận phạm vi hoạt động ~500m trong đô thị và 1.3km trong điều kiện nhìn thẳng, tiêu thụ điện 2–3W khi rảnh rỗi, nhiệt độ dưới 45°C. Script cài đặt từ RAKwireless gặp lỗi phải sửa bằng tay.
Nếu bạn đang tìm kiếm cách triển khai một hệ thống IoT tự chủ, hiệu quả về chi phí và không phụ thuộc vào cloud, bài viết này sẽ hướng dẫn cách kết hợp MQTT, Grafana cùng gateway Meshtastic trên Raspberry Pi để theo dõi và hiển thị dữ liệu sensor một cách đơn giản và mạnh mẽ.
Podcast "Grafana's Big Tent" có sự tham gia của Eric Burns (kiến trúc sư trưởng tại Anthropic) và lãnh đạo Grafana Labs, thảo luận về tác động của công cụ coding agent (AI) tới phát triển phần mềm. Nội dung xoay quanh lợi thế "second-mover" trong chiến lược multi-cloud của Anthropic, ngôn ngữ tự nhiên như giao diện mới cho dashboard và BI, việc Grafana Labs áp dụng 100% công cụ AI coding trong kỹ thuật, cũng như những câu hỏi triết học về vai trò của kỹ sư trong tương lai. Ngoài ra, buổi trò chuyện còn đề cập đến áp lực gián tiếp lên hệ thống testing và observability từ AI agent, cùng những trải nghiệm cá nhân khi sử dụng Claude Code cho dự án tự động hóa gia đình.
Những phát triển về công nghệ agentic coding và cách AI thay đổi cách lập trình viên viết, debug và quản lý hệ thống sẽ giúp bạn hiểu rõ hơn về tương lai của công việc và cách tối ưu hóa hiệu quả công việc hiện tại.
Grafana Cloud's Kubernetes Monitoring có hai hệ thống cảnh báo riêng biệt: cảnh báo quản lý bởi data source (Mimir/Prometheus) và cảnh báo quản lý bởi Grafana. Việc cài đặt lại app sẽ tự động chuyển quy tắc cảnh báo sang hệ thống Grafana, có thể làm gián đoạn các tuyến thông báo đã cấu hình trong Alertmanager. Bài viết hướng dẫn cách nhận diện hệ thống cảnh báo đang sử dụng, nguyên nhân ngừng hoạt động sau khi cài đặt lại, và các phương pháp tốt nhất như sử dụng nút Update thay vì cài đặt lại, sao lưu quy tắc tùy chỉnh trước khi nâng cấp, và lưu ý rằng cảnh báo quản lý bởi data source (Prometheus/Loki) sẽ ngừng hoạt động từ tháng 4/2026.
Lập trình viên cần đọc bài này để tránh mất hiệu suất cảnh báo trong Kubernetes khi tái cài đặt Grafana Cloud, vì nó có thể phá hủy cấu hình thông báo hiện có và cảnh báo cũ sẽ chuyển sang hệ thống quản lý mới, gây mất liên lạc với các hệ thống cảnh báo bên ngoài.
Bản phát hành Grafana 13.1 bổ sung nhiều cải tiến trong observability as code, truy vấn hỗ trợ AI (Grafana Assistant) và dashboard. Git Sync được nâng cấp với import dashboard trực tiếp, sync cấp root, hiển thị README.md nội tuyến và ký commit GPG/SSH/S/MIME. Grafana Assistant mở rộng hỗ trợ thêm 8 data source (Snowflake, Oracle, Elasticsearch, v.v.) và có sẵn trong Grafana Enterprise. Dashboard cải tiến với biến cấp section, trình chỉnh sửa truy vấn mới (multi-select, stacked view), bộ lọc nhanh, điều khiển hiển thị series, bảng lồng ghép và sao chép-dán style panel. Private Data Source Connect (PDC) bổ sung hỗ trợ MQTT, GitHub và IBM Db2.
Lập trình viên phát triển giải pháp giám sát và tự động hóa nên đọc bài này để khám phá cách Grafana 13.1 nâng cấp khả năng tích hợp AI, quản lý dữ liệu từ nhiều nguồn mới và cải tiến công cụ quản lý dashboard, giúp tối ưu hóa quy trình phát triển và triển khai hệ thống theo mô hình .
Cách stream nhật ký kiểm toán (audit logs) của Octopus tới Grafana Cloud thông qua OpenTelemetry, truy vấn bằng LogQL và thiết lập cảnh báo Slack khi có sự kiện xóa xảy ra.
Lập trình viên phát triển phần mềm cần đọc bài này để tìm hiểu cách tích hợp OpenTelemetry và Grafana Cloud để theo dõi, phân tích và cảnh báo về các hoạt động xóa dữ liệu trong hệ thống Octopus, giúp giảm rủi ro mất dữ liệu và tối ưu hóa quản lý ứng dụng.
Hướng dẫn từng bước triển khai cảnh báo giám sát KurrentDB bằng Grafana, bao gồm 15 quy tắc PromQL sẵn sàng sử dụng, thông báo qua Slack và Gmail cùng các mẹo thiết lập.
Lập trình viên cần đọc bài này để tự động hóa cảnh báo về tình trạng hoạt động của KurrentDB, giảm thiểu rủi ro mất thời gian theo dõi thủ công và tối ưu hóa hiệu suất hệ thống bằng các quy tắc PromQL và cách thiết lập cảnh báo đa nền tảng.
Kết hợp Grafana Assistant, Assistant Investigations và Agent Observability giúp tự động hóa giám sát, phân loại sự cố và điều tra, giảm bớt gánh nặng vận hành trong khi vẫn đảm bảo trách nhiệm rõ ràng.
Một lập trình viên nên đọc bài này để khám phá cách tự động hóa quản lý hệ thống và debug thông qua công nghệ AI, giúp tiết kiệm thời gian và giảm mệt mỏi trong việc giải quyết vấn đề kỹ thuật phức tạp.
Grafana Labs đã mở rộng khả năng của Grafana Assistant, cho phép trợ lý quan sát bằng AI truy vấn và tương quan dữ liệu trên hơn 30 nguồn dữ liệu khác nhau thông qua ngôn ngữ tự nhiên.
Lập trình viên cần đọc bài này để khám phá cách Grafana Assistant tích hợp với nhiều nguồn dữ liệu khác nhau, giúp tự động hóa việc phân tích và tương tác với hệ thống theo cách thông minh, tiết kiệm thời gian và nâng cao hiệu quả trong việc theo dõi và tối ưu hóa ứng dụng.
Tích hợp observability ngay từ giai đoạn đầu trong quá trình phát triển phần mềm thay vì bổ sung sau cùng. Grafana Assistant (AI assistant) giúp đảm bảo khả năng quan sát hệ thống được triển khai ngay từ ban đầu.
Lập trình viên nên đọc bài này để hiểu cách tích hợp observability vào thiết kế hệ thống từ giai đoạn đầu, tránh phải bổ sung sau khi dự án đã chạy, tiết kiệm thời gian và chi phí sửa lỗi trong tương lai.
Bài viết giới thiệu cách triển khai giám sát chuyên nghiệp bằng Prometheus, Grafana và Loki, kết hợp với CI/CD pipeline hoạt động ổn định trên hệ thống self-hosting từ phần 3.
Nếu bạn đang xây dựng hệ thống tự chủ hóa với các dịch vụ phức tạp, bài này sẽ giúp bạn tối ưu hóa giám sát hiệu suất và bảo trì bằng công cụ chuyên nghiệp như Prometheus, Grafana và Loki, đồng thời kết hợp với CI/CD để tự động hóa và đảm bảo chất lượng ứng dụng.
With cost attribution in Grafana Cloud, you can allocate spend across teams, services, and projects, with support now available for Synthetic Monitoring and Grafana Cloud k6.
Using Prometheus and Grafana to Debug Kubernetes Production Incidents It’s Friday evening. Your team has just finished deploying a new release, and everyone is looking forward to wrapping up the …
Grafana Cloud Frontend Observability gives frontend engineers visibility into what their end users actually do, where they're struggling, and which errors are blocking them.
Production-Grade Kubernetes Monitoring with Prometheus, Grafana, and kube-state-metrics If you’ve ever deployed Prometheus in a Kubernetes cluster and opened Grafana for the first time, you’ve …
Đã mở đăng ký tham dự ObservabilityCON 2026 tại Pier 27, San Francisco từ ngày 19–21 tháng 10, với các phiên kỹ thuật, workshop thực hành và cập nhật công nghệ AI cùng observability.
Lập trình viên nên tham gia ObservabilityCON 2026 để học cách tối ưu hóa hệ thống theo chiều sâu, từ debug lỗi đến tối ưu hóa hiệu suất bằng cách hiểu rõ cách monitoring, logging và tracing hoạt động trong ứng dụng thực tế.
Bắt đầu xây dựng dashboard Prometheus hiệu quả bằng cách đặt ra câu hỏi sản xuất quan trọng, chẳng hạn như khả năng phục vụ traffic của ứng dụng, thay vì trực tiếp viết PromQL.
Lập trình viên nên đọc bài này để hiểu cách chuyển đổi từ các chỉ số kỹ thuật (PromQL) sang vấn đề thực tế của ứng dụng, giúp họ thiết kế dashboard hiệu quả hơn từ những câu hỏi thực tế chứ không chỉ là những biểu đồ và số liệu abstract.
Trợ lý Grafana mới hỗ trợ truy vấn dữ liệu bằng ngôn ngữ tự nhiên, kết nối tín hiệu từ hơn 30 nguồn dữ liệu trong cùng một cuộc điều tra, và trực tiếp hiển thị kết quả dưới dạng dashboard Grafana.
Lập trình viên nên đọc bài này vì Grafana Assistant giúp tự động xử lý các vấn đề phân tích dữ liệu phức tạp bằng ngôn ngữ tự nhiên, tiết kiệm thời gian và công sức so với việc chuyển đổi giữa các công cụ khác nhau.
PCP PUSH model giúp đơn giản hóa việc thu thập dữ liệu bằng cách tối ưu hóa thiết lập và bảo trì hệ thống.
Một lập trình viên nên đọc bài này để khám phá cách pmlogger PUSH giúp giảm thiểu công việc thiết lập và bảo trì hệ thống bằng cách tự động thu thập và gửi dữ liệu hiệu suất mà không cần thiết lập các máy chủ log phức tạp.
A layered reliability testing strategy using three Grafana Cloud tools is presented through the Swiss Cheese Model framework. Grafana Cloud Synthetic Monitoring acts as the first layer, running scheduled checks (HTTP, browser, DNS, TCP, ping) from global probes to catch regressions before users are affected. Frontend Observability serves as the second layer, using the Grafana Faro SDK to capture real user data including Core Web Vitals, JavaScript errors, and session tracking that synthetic checks miss. k6 forms the third layer, enabling load testing before releases and after fixes to validate performance under realistic traffic. A demo app (QuickPizza) illustrates how each layer catches different failure types: synthetic monitoring flagged a 4.87s latency issue, Frontend Observability surfaced a 3.58s FCP and JavaScript errors, and k6 validates fixes hold under load.
A guide to setting up open-source, self-hosted Application Performance Monitoring (APM) for Rails applications, covering the three pillars of observability: traces, metrics, and logs. It walks through using OpenTelemetry with Jaeger or Zipkin for tracing, Prometheus with yabeda-prometheus for metrics, and Loki for log aggregation, with Grafana or Kibana as unified visualization layers. Also covers simpler alternatives like the rails_performance gem (Redis-backed) and solid_telemetry (SQLite-backed) for smaller apps that don't need a full external stack.
Grafana Labs is extending its maintenance commitment for the Volkov Labs business intelligence (BI) plugin suite through the end of 2026. Originally acquired in January 2026 after Volkov Labs was bought out, the plugins have been updated for compatibility with Grafana 13 and React 19. Grafana Labs clarifies that support covers the plugins' documented behavior and stable APIs, but not user-provided JavaScript code in panel editors. Users are encouraged to share feedback while the long-term roadmap is still being shaped, with a promise that no plugin will be removed without advance notice.
Platform teams often lack visibility into which namespaces or workloads drive Kubernetes spend. This guide covers 10 core cost metrics every Kubernetes cost dashboard should track, including cost per namespace, CPU/memory request utilization ratios, idle node cost, workload efficiency score, and GPU utilization. It walks through building the monitoring stack with Prometheus, OpenCost, and Grafana, including specific PromQL queries for CPU utilization ratio, monthly CPU cost per namespace, and idle node cost. Key data from Cast AI's 2026 report shows average CPU utilization at just 8% and GPU at 5% across 23,000+ production clusters, with CPU overprovisioning jumping from 40% to 69% year-over-year. The post also covers showback vs. chargeback strategies, labeling prerequisites, and how Cast AI's platform automates rightsizing on top of the visibility layer.
A guide to scaling access control in Grafana Cloud using a layered model combining SSO, SCIM, RBAC, and LBAC. Using a fictional company (AcmeCloud) as an example, it walks through how to automate user provisioning via SCIM, assign permissions through basic roles and team memberships, restrict dashboard visibility with folder permissions, and enforce data-level tenant isolation using label-based access control (LBAC). The result is a scalable multi-tenant access strategy that avoids manual overhead while maintaining security boundaries.
Grafana Cloud's full-stack observability combines Application Observability and Kubernetes Monitoring through a knowledge graph that automatically maps services, pods, nodes, clusters, and databases into a unified entity model. The RCA Workbench, Entity Graph, and Entity Catalog let engineers investigate incidents by correlating logs, traces, metrics, and profiles without switching tools. A walkthrough example shows how an alert leads from a failing service to a PostgreSQL connection exhaustion root cause entirely within the workbench. The post also covers how to customize knowledge graph configurations to map entity properties to telemetry labels, handle configuration conflicts via priority ordering, and apply best practices for consistent cross-signal correlation. Terraform provider support is available for automating configuration management.
Grafana Labs published a post-incident review of the TanStack npm supply chain ransom attack that hit them on May 11 via the Mini Shai-Hulud campaign. A missed credential rotation allowed a threat actor to clone their entire repository collection and demand a ransom on May 16. Grafana Labs refused to pay, confirmed no unauthorized access to customer production systems, and verified the Grafana Cloud platform was unaffected. An independent Mandiant investigation corroborated internal findings, finding no evidence of code tampering or repository poisoning. The response included 1,500 security-focused PR reviews, auditing 280 GitHub applications, scanning 1,200 repositories, and a full-engineering security hardening week. Remediation steps included implementing a token broker, fine-grained access controls, short-lived tokens, and compartmentalizing GitHub organizations.
Production load tests often fail to reflect real traffic because they rely on arbitrary assumptions. By querying Prometheus/Mimir metrics in Grafana Cloud, teams can extract actual request rates, p95/p99 latency baselines, and traffic shape patterns to build data-driven k6 test configurations. The tutorial walks through four steps: finding real request rates, establishing latency thresholds, identifying traffic patterns (constant, stress, spike, endurance), and wiring everything into a k6 ramping-arrival-rate scenario. Results feed back into the same Grafana dashboards used to derive the test parameters, closing the observability-testing loop. Grafana Assistant can also automate this process using natural language to generate k6 scripts from production telemetry.
Grafana Assistant now includes an automations feature (public preview) that lets teams schedule recurring AI prompts or skills to run in the background. Instead of manually asking the same observability questions each day, users can configure automations to run on a schedule — before standups, at shift handoffs, or during weekly reviews. Key use cases include automated on-call handoffs summarizing open incidents and SLO burn rates, daily dashboard and SLO reviews, skill freshness audits, and infrastructure memory digests. Automations run under the user's Grafana identity, save results to history, and can be shared or linked from incident reviews. Best practices include writing self-contained prompts, validating manually before scheduling, and separating reusable processes (skills) from reusable timing (automations).
All GrafanaCON 2026 sessions from Barcelona are now available on demand. Key announcements include Grafana 13 GA (dynamic dashboards, Git Sync, Grafana Advisor), Loki 4.0's Kafka-backed architecture delivering 20x less data scanned and 10x faster queries, k6 v2.0 with AI-assisted testing and agentic workflow integrations, and Pyroscope 2.0 with up to 95% reduction in symbol data. Grafana Assistant expands to OSS and Enterprise with new AI observability capabilities. Community sessions cover real-world deployments at Irish Rail, Google, Drive Terra, ESnet, and scientific research projects including ocean digital twins and nuclear materials research.
Grafana Assistant Investigations is an AI-powered background agent in Grafana Cloud (currently in public preview) that automatically discovers incidents, identifies root causes, and can trigger auto-remediation workflows. It integrates with Grafana Alerting and IRM to kick off investigations when alerts fire, supports MCP server integrations for connecting external tools (GitHub, GitLab, Snowflake, LaunchDarkly, Jenkins), and can raise PRs, send Slack notifications, and schedule daily reports. Key use cases include collaborative incident investigation, catching overnight regressions, correlating business metrics with telemetry, and closing the loop from alert to code fix automatically.
Grafana Labs disclosed a security incident originating from the TanStack npm supply chain attack (Mini Shai-Hulud campaign). Attackers gained unauthorized access to Grafana Labs' GitHub repositories and downloaded source code and internal operational data, then issued a ransom demand. Grafana Labs refused to pay, notified federal law enforcement, and confirmed no customer production systems or Grafana Cloud platform were compromised. Mitigation steps included rotating GitHub workflow tokens, auditing all commits since May 11, enhancing monitoring, and hardening CI/CD pipelines. An external audit by Mandiant is underway, with a post-incident report expected in June 2026.
Grafana Labs is introducing k6 Script Authoring, a new feature in Grafana Assistant that generates production-ready k6 performance test scripts from natural language descriptions. Users can create scripts by providing plain-language prompts, OpenAPI specifications, real telemetry data from Grafana Cloud (metrics, logs, traces), or repository context via GitHub MCP integration. Generated scripts include checks, thresholds, proper URL grouping, and optional hooks for Grafana Cloud Traces and Profiles, connecting test results to the broader observability stack.
Sự kiện ObservabilityCON 2026 sẽ diễn ra tại Pier 27, San Francisco từ ngày 19–21 tháng 10 năm 2026, với các chủ đề chính về Grafana Cloud, observability dựa trên AI, demo công cụ agentic, workshop thực hành và networking. Đăng ký sớm với ưu đãi giảm 50% còn hạn chế, đồng thời chương trình thuyết trình vẫn mở đến ngày 1 tháng 7. Ngoài ra, sự kiện "ObservabilityCON on the Road" sẽ tổ chức tại São Paulo, London, Madrid và Bengaluru vào mùa thu năm nay.
Những công nghệ quan sát (observability) ngày càng trở thành chìa khóa quyết định hiệu suất và an toàn hệ thống, nên đọc bài này để cập nhật những xu hướng mới nhất như AI và công cụ agentic giúp cải thiện khả năng theo dõi, debug và tối ưu hóa ứng dụng.
RSigma v0.9.0 can be wired into a full detection-to-alert pipeline using the Grafana LGTM stack (Loki, Grafana, Mimir) with Alloy as the OpenTelemetry collector. The setup uses Docker Compose with seven components: Helr replays pre-recorded Okta audit events, Alloy fans logs to both RSigma (for real-time Sigma rule evaluation) and Loki (for storage), and RSigma exposes per-rule Prometheus metrics with rule_title and level labels. Grafana alert rules use Go templates to dynamically map Sigma severity levels (critical/high/medium/low) to P1-P4 priorities, enabling automatic alert routing without manual wiring. The Okta cross-tenant impersonation scenario demonstrates the full chain: four ordered detections trigger a temporal_ordered correlation, producing a critical alert that routes to the appropriate notification channel. The entire alerting configuration is version-controlled and provisioned automatically.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.