# 可观测性已经开始统一，但查询它的不再只是人

Source: https://greptime.cn/blogs/2026-08-11-observability-three-pillars-history

> 把 metrics、logs、traces 放进同一个列存、统一查询、扛住生产规模，这件事已经有人做到了。2026 年，这些方案也都接上了 agent。真正的问题落在了后面一层：agent 成为一等消费者之后，数据库本身要不要跟着变，以及变到哪里。

“统一可观测性”喊了将近八年，业界一度普遍的印象是它还停留在理念阶段。这个印象已经过时了。今天，把三类信号放进同一个列存、统一查询、并且扛住生产规模的方案，是真实存在的。

而且到 2026 年，这些方案几乎都已经把 agent 接了进来。所以这篇文章想讨论的问题，不是“有没有人想到 agent”，而是一个更靠后的问题：当 agent 变成和人并列的一等消费者，被改写的到底是接口，还是数据库本身。

## 统一存储：已经不是设想了

SigNoz 用单一的 ClickHouse 存 metrics、logs、traces，OTel 原生。ClickStack 更典型：ClickHouse 公司 2025 年 3 月[收购 HyperDX](https://www.businesswire.com/news/home/20250313954782/en/ClickHouse-Acquires-HyperDX-to-Accelerate-the-Future-of-Observability)，同年 5 月推出 ClickStack，把 OTel Collector、ClickHouse 和查询体验打包成一个开源全栈方案，在同一套体验里关联查询三类信号。

再往前，Honeycomb 多年前就押注任意宽的结构化事件（wide events），理念上最接近终局，底座是自研的列式存储。Charity Majors 在 2024 年有过一个被反复引用的观察：新一代可观测性创业公司普遍转向统一存储模型，宽结构化事件、OTel 原生、常常落在列式数据库上；她的说法是，大家不再做“更便宜的 Datadog”，而是在做“更便宜的 Honeycomb”。

有意思的是，她后来又收回了一部分乐观。2025 年她专门写了一篇[《The pillar is a lie》](https://charity.wtf/2025/10/30/the-pillar-is-a-lie/)，直言 signal 是技术术语、pillar 是市场术语。到 2026 年 7 月，她的[批评更进一步](https://charity.wtf/p/have-you-heard-clickhouse-is-winning)：列存几乎已经成了 2019 年之后新一代可观测性后端的标配，但不少产品仍然沿用三支柱的产品模型，最后卖的还是某种 “Datadog, but cheaper”，而她真正不满的是，这些厂商明明架构更好，却选择不把这件事讲清楚。换句话说，换了存储不等于换了范式。

即便如此，“三信号一个列存”在存储层和体验层，确实正在变成一件被解决、甚至被商品化的事。说“没人做成统一存储”，已经不符合事实。

那为什么还要说，这件事没有真正抵达终点？

## 两个工程选择，和一个正在被改写的前提

把这些方案摆开看，有三个共同点。前两个是工程选择，可以商榷；第三个是前提，而这个前提正在被改写。

第一，开源阵营里大量产品选择了同一个通用引擎作底座。ClickHouse 是新一代统一方案里最常见的选择之一，Honeycomb 的自研列存则是明显的例外。ClickHouse 是个为通用 OLAP 设计的列存，好用是真好用，但它的设计出发点是通用分析，三类信号各自的访问模式并不在其中。metrics 要为聚合和降采样优化，logs 要为全文检索优化，traces 要为按 ID 点查和树形遍历优化。

这个差距正在被 ClickHouse 自己往回补。TimeSeries 表引擎、PromQL、全文检索，这几年一个个加了进来。补的进度本身也说明了工作量：全文检索已经 GA，但官方明确说它不实现 BM25 一类的相关性打分，目标是加速 token 级过滤，而不是取代专门的搜索引擎；TimeSeries 表引擎和 PromQL 则仍处在实验阶段，ClickHouse 自己在[介绍 PromQL 工作](https://clickhouse.com/blog/open-house-2026-day-1)时甚至写了一句 “there are dragons here”。

这不是说通用列存做不了可观测性，它显然做得了，而且做得不错。但如果这些 signal-specific 的能力最终一个都躲不掉、都得进到数据库里，那么一个从第一天就以可观测性 workload 为设计目标的统一引擎，应该长什么样？

第二，另一条流行的路，把统一放在了别的层次。Grafana 的 LGTM 栈里，Loki 存日志、Tempo 存 traces、Mimir 存 metrics，Grafana 做可视化。它统一的是体验层和控制层，底层存储引擎保持独立。这是一个清晰的架构选择，代价和收益都很明确：换来的是每类信号可以各自演进，付出的是跨信号的关联要在更上层完成。

第三，也是最容易被忽略的：这些方案在设计之初，面对的消费者都是人。SigNoz 的 explorer、ClickStack 的搜索体验、Honeycomb 的查询界面，背后的假设都是屏幕前坐着一个工程师，他线性地查、盯着 dashboard 思考、在自己脑子里把三类信号关联起来。它们优化的，是让这个人看得更顺。

前两点属于取舍，可以争论。第三点属于另一个层次，它是整套设计的前提。而这个前提，在 2026 年正在被集体改写。

## 要理解这个局面，得回看它当初怎么分裂的

“三支柱”这个说法用得太顺，顺到它听起来像个自然法则。但它不是谁设计出来的。没有哪个委员会开过会，决定可观测性应该由三类信号构成。metrics、logs 和 traces 沿着不同的问题域和技术路径独立演化，后来才被归进同一个可观测性框架。

metrics 最早，从 RRDtool（1999）到 Graphite（2008 年开源）再到 Prometheus（2012），回答的始终是“系统现在健康吗”。logs 紧随其后，Splunk（2003）、Elasticsearch（2010）解决的是“到底发生了什么”，对应的是倒排索引。traces 最晚也最被动，Google 在 2010 年发表了 [Dapper 论文](https://research.google/pubs/dapper-a-large-scale-distributed-systems-tracing-infrastructure/)但没开源，真正点火的是 Twitter 2012 年 6 月开源的 Zipkin；它要等微服务普及到一定程度，“一个请求在几十个服务之间怎么流动”才会变成真问题。

<p align="center">
  <img src="/zh/blogs/2026-08-11-observability-three-pillars-history/fig1-three-signals.png" alt="metrics、logs、traces 在 1999 到 2017 年间的独立演化时间线" width="960"/>
</p>
<p align="center"><em>图 1：三类信号各自沿着自己的问题域生长，很久之后才被归进同一个框架</em></p>

关键在于，它们是三个独立问题的三个独立答案。把它们并称为同一个体系的三个视图，是很久以后才追认的说法。而它们的工程约束彼此冲突得很厉害：

| 维度 | Metrics | Logs | Traces |
|---|---|---|---|
| 数据形态 | 时序点 | 文本 / 结构化记录 | span 树 |
| 查询模式 | 聚合、降采样 | 全文检索、过滤 | 按 trace_id 点查 + 因果分析 |
| 基数 | 低（传统场景） | 中高 | 高（trace_id） |
| 保留周期 | 长（可降采样） | 短到中 | 中 |
| 当时常见后端 | 时序库 | 倒排索引 | Cassandra / ES 等 |

在 2010 年代初的技术条件下，一个系统想同时把这三件事做好，基本是逆着工程重力往上推：为其中一类做的优化，往往就是另一类的负担。所以分开做在当时更省力，也更可能做成，把它归因于短视其实是事后诸葛。

真正让这道裂缝固化成一堵墙的，是商业。Splunk 靠日志搜索起家，Datadog 早期立足于基础设施监控，New Relic 靠 APM 打出名气，三家各占一格。而且这道地界几乎是天然画好的：技术上的那道缝，恰好能拿来当市场上的界。对在位者来说，“分”本身就是护城河，统一意味着让出自己定价权最强的那块地。

分裂还不只在供给侧。买方自己也是按三支柱切开的：基础设施监控归 SRE 与基础设施团队，APM 主要是开发团队在用，日志常常落在安全甚至大数据团队手里。预算本来就装在三个口袋里，厂商各守一格，有一半是被需求侧的组织结构喂出来的。

于是一个“当时的工程选择”，慢慢变成了“行业默认的世界观”。

## 统一的想法，八年前就有人想透了

把这个世界观捅破的人，是当年画出它的人。

2017 年 2 月，Peter Bourgon 参加完那一届 Distributed Tracing Summit，写了篇[《Metrics, tracing, and logging》](https://peter.bourgon.org/blog/2017/02/21/metrics-tracing-and-logging.html)，用一个文氏图厘清三者的边界。这张图成了“三支柱”框架的概念源头，而他想做的只是给一屋子人一套共同词汇。“三支柱”这个更有仪式感的说法是之后才慢慢坐实的，行业厂商则顺势拿它划分了各自的市场。一个用来厘清概念的工具，被当成了“应该如此”的蓝图。

一年半之后，2018 年 8 月，Bourgon 写了[《Observability signals》](https://peter.bourgon.org/blog/2018/08/22/observability-signals.html)。这一次他反过来问：既然 metrics、tracing、logging 只是观测数据被消费的三种不同模式，那理论上就应该能造一个统一的系统（他叫它 über-system），在入口处接收原始事件，再按数据的“形状”分流。

这里有个常被误读的细节值得澄清：Bourgon 设想的分流终点，是各自 purpose-driven 的后端。他谈的是统一的写入路径和统一的读取模型，并没有要求所有信号挤进同一个物理数据库。今天很多“统一存储”的论述会把他当成祖师爷，但他当年的主张，其实比这更克制、也更接近一种架构分工。

同年 12 月，Ben Sigelman 在 KubeCon 北美讲了[《Three Pillars, Zero Answers: We Need to Rethink Observability》](https://medium.com/lightstephq/three-pillars-with-zero-answers-2a98b36358b8)。他是 Dapper 论文作者之一、OpenTracing 的共同发起人，早在 2015 年就共同创立了 Lightstep，亲手造过这些柱子，也亲自下场做过产品。他的批评很具体：metrics 受基数限制，维度一多成本压不住；logging 的账是事务速率 × 微服务数量 × 网络和存储成本 × 保留周期，一乘就失控；而更根本的是，三类信号说到底“只是 bits”，当成三根独立的柱子各自堆砌、各自买单不可持续。

2019 年 5 月，OpenCensus 和 OpenTracing [合并成 OpenTelemetry](https://opensource.googleblog.com/2019/05/opentelemetry-merger-of-opencensus-and.html)。这是统一第一次在标准层落地，但要泼一盆冷水：OTel 统一的是采集和协议，存储和查询仍然留在原地。它把上游的管子接通了，下游那三个水池还是三个水池。OTel 最被低估的遗产其实是语义约定（semantic conventions）。`http.request.method` 该叫什么、一个数据库调用的 span 该带哪些标准字段，这些命名沉淀成了行业共识。当时看只是“对齐字段名”的工程琐事，它的价值要到很多年后才兑现，而兑现的场景恰恰是本文后面要讲的 agent。GenAI 语义约定就是这套工作在 agent 时代的延伸，我们在 5 月[逐层拆过](/blogs/2026-05-09-opentelemetry-genai-semantic-conventions)。

2023 年底，Charity Majors 提出 Observability 2.0：只有一个真相源，任意宽的结构化事件，metrics 和 traces 都只是派生视图。这和 Bourgon 五年前那段推演是同一条思路，原始事件是第一性的，三支柱是次生的。

这套范式也有争议。最常见的反对意见是成本：wide events 把高基数、高维度全保留，单位请求的数据量比任何单一支柱都大，而 metrics 在大规模聚合类 workload 上通常仍然便宜得多，短期内替代不掉。连“2.0”这个命名本身都有争议，Charity 后来对这个 framing 也表示过并不特别喜欢。

## 到 2026 年夏天，所有人都已经看到 agent 了

如果这篇文章停在这里，接下来顺理成章的一句话应该是：这些方案都是为人设计的，还没有人考虑 agent。

但那样写就错了。

2026 年，这件事已经变成了整个行业的集体动作。SigNoz 在 5 月[宣布 agent-native observability](https://signoz.io/blog/introducing-agent-native-observability/)，先后推出托管和开源的 MCP server、产品内的 AI teammate，以及一套教 coding agent 怎么用 SigNoz 的 Agent Skills。ClickHouse 在 5 月底的 Open House 上发布了 [ClickStack MCP server 和 AI Notebooks](https://clickhouse.com/blog/observability-mcp-server-ai-notebooks)，官网直接把 ClickStack 描述成 [“observability built for agents”](https://clickhouse.com/clickstack/agentic-observability)，并明确把它和“dashboard-first、以人为中心的工作流”对立起来。Grafana 在 7 月底的 AI Week 上一次性把[六项 AI 能力推到 GA](https://www.businesswire.com/news/home/20260727216919/en/Grafana-Labs-Ships-Six-Tools-That-Power-Agentic-Operations-From-Planning-to-Production)，其中 Assistant Investigations 会自己跨 metrics、logs、traces、profiles 建立假设、并行调查并产出报告。Honeycomb 也已经把自己的平台描述成同时服务开发者和 AI agent。

所以，现在说“别人还没意识到 agent”，是不成立的。大家不仅意识到了，动作还很快。上面这些讲的都是 agent 作为可观测性数据的消费者；agent 本身作为被观测对象是另一道题，我们[之前写过](/blogs/2025-12-11-agent-observability)。

<p align="center">
  <img src="/zh/blogs/2026-08-11-observability-three-pillars-history/fig2-three-architectures-agent-layer.png" alt="LGTM、SigNoz 与 ClickStack、Honeycomb 三种架构选择，以及 2026 年共同加上的 agent 接入层" width="960"/>
</p>
<p align="center"><em>图 2：三种架构统一在不同深度，而它们在 2026 年都加上了同一层 agent 接入</em></p>

这里有个细节值得注意。ClickHouse 在讲 ClickStack MCP 的时候提到，他们本来就有一个通用的 ClickHouse MCP server，做 SQL 探索也够用；但在做 AI Notebooks 的过程中他们发现，可观测性的调查工作和一般 BI 不一样，模型面对结构化的调查原语时，表现明显好过面对裸 SQL。于是他们把日志模式分析、trace 离群点排查、跨信号关联这些东西，包装成了给 agent 用的语义化工具，并且公布了内部评测，说专用工具比通用 MCP 减少了工具调用次数、提升了一致性。

这等于从另一个方向承认了一件事：agent 需要的不只是能连上数据，它需要知道这些数据是什么、彼此怎么对应、该怎么问。

## 问题不是底层要不要变，而是要变到什么程度

行业目前最成熟、也最显眼的变化，首先发生在接入和工作流层：MCP、自然语言查询、自动调查、Agent Skills。

但变化已经开始继续往下走。ClickHouse 谈 agent 场景时，讲的已经不只是接口：高并发的查询能力、不采样的完整 telemetry、更长的保留周期、把 [agent 负载和摄入及用户负载隔离开](https://clickhouse.com/blog/announcing-managed-clickstack-mcp-server)的独立算力，这些都被放进了“为 agent 服务的可观测性”这套论述里。这些不是接口层的话题，它们指向的是引擎和成本模型。

所以问题已经不是底层要不要变，而是要变到什么程度。有几个问题现在都还没有共识：

agent 那种并行、探索式的消费方式，一次调查可能扇出几十上百个查询，其中大部分探到一半就被丢掉。这种 workload 只是执行层要扛的并发压力，还是会反过来改变数据布局和查询规划？

<p align="center">
  <img src="/zh/blogs/2026-08-11-observability-three-pillars-history/fig3-human-linear-vs-agent-parallel.png" alt="人的线性下钻与 agent 的并行扇出对比，含被中途丢弃的分支" width="960"/>
</p>
<p align="center"><em>图 3：人一步一步往下钻，agent 一次扇出并丢掉其中大部分分支</em></p>

可观测性的语义应该留在哪一层？今天公开可见的实现，语义主要存在于 MCP server、Notebook 或产品 API 这一层，最终仍然翻译成针对底层引擎优化过的查询。这些语义是否应该继续停留在工具层，还是有一部分该下沉成数据系统自己能够声明的一等 metadata？OTel 当年把 semantic conventions 沉淀成行业共识，那份遗产究竟在哪一层兑现，目前也还是开放的。

还有一个更朴素的问题：当一个 agent 第一次连上来，它怎么知道这里有什么数据？人可以点开界面翻一翻，agent 需要一个能被程序化理解的入口。

<p align="center">
  <img src="/zh/blogs/2026-08-11-observability-three-pillars-history/fig4-which-layer-is-unified.png" alt="统一被解决到了哪一层：采集与协议、存储、接入与工作流、架构层" width="820"/>
</p>
<p align="center"><em>图 4：采集、存储、接入三层都已经有了答案，架构层的答案才刚刚开始出现</em></p>

统一存储解决的是人类可观测性时代遗留下来的数据割裂。agent 带来的是下一道题：统一起来的数据，是否真的具有统一的语义，能不能被机器高效地理解、探索和消费。

行业已经在接口层给出了第一批答案，架构层的答案则刚刚开始出现，还远没有收敛。关于一个可观测性数据库面对这道题应该做什么、不应该做什么，我们在后续文章[《Observability Database：数据库该理解遥测数据吗？》](/blogs/2026-08-26-what-is-an-observability-database)里展开。

## 参考链接

正文中提到的来源，按出现顺序汇总，方便在公众号等无法跳转的环境里查阅。

- [ClickHouse Acquires HyperDX](https://www.businesswire.com/news/home/20250313954782/en/ClickHouse-Acquires-HyperDX-to-Accelerate-the-Future-of-Observability)（2025-03）
- Charity Majors, [*The pillar is a lie*](https://charity.wtf/2025/10/30/the-pillar-is-a-lie/)（2025-10）
- Charity Majors, [*Have you heard? Clickhouse is winning the observability wars!*](https://charity.wtf/p/have-you-heard-clickhouse-is-winning)（2026-07）
- [Open House 2026 Day 1](https://clickhouse.com/blog/open-house-2026-day-1)（PromQL 早期预览）
- Google, [*Dapper, a Large-Scale Distributed Systems Tracing Infrastructure*](https://research.google/pubs/dapper-a-large-scale-distributed-systems-tracing-infrastructure/)（2010）
- Peter Bourgon, [*Metrics, tracing, and logging*](https://peter.bourgon.org/blog/2017/02/21/metrics-tracing-and-logging.html)（2017）
- Peter Bourgon, [*Observability signals*](https://peter.bourgon.org/blog/2018/08/22/observability-signals.html)（2018）
- Ben Sigelman, [*Three Pillars, Zero Answers: We Need to Rethink Observability*](https://medium.com/lightstephq/three-pillars-with-zero-answers-2a98b36358b8)，KubeCon NA 2018（西雅图，2018-12-11）
- [OpenTelemetry: The Merger of OpenCensus and OpenTracing](https://opensource.googleblog.com/2019/05/opentelemetry-merger-of-opencensus-and.html)（Google Open Source Blog, 2019-05-21）
- [Bringing Agent-Native Observability to SigNoz](https://signoz.io/blog/introducing-agent-native-observability/)（2026-05）
- [Open House observability announcements: MCP server, AI Notebooks, and ClickStack Cloud](https://clickhouse.com/blog/observability-mcp-server-ai-notebooks)（2026-05）
- [ClickStack AI — Observability built for agents](https://clickhouse.com/clickstack/agentic-observability)
- [Grafana Labs Ships Six Tools That Power Agentic Operations](https://www.businesswire.com/news/home/20260727216919/en/Grafana-Labs-Ships-Six-Tools-That-Power-Agentic-Operations-From-Planning-to-Production)（2026-07）
- [Announcing the Managed ClickStack MCP Server](https://clickhouse.com/blog/announcing-managed-clickstack-mcp-server)（2026-06）
