Groundcover完成1亿美元融资，可观测性技术向AI基础设施转型

可观测性技术长期以来是一种后期生产阶段的工具，主要用于捕捉故障、缩短工程师定位根因所需的时间。随着AI智能体系统逐步渗透到软件开发生命周期，这一定位正在发生根本性转变——将生产环境的上下文信息更早地引入编码、测试和部署阶段。

这一趋势正在推动可观测性厂商Groundcover的快速增长。该公司近日宣布完成1亿美元C轮融资。

Groundcover基于开源技术eBPF和OpenTelemetry构建可观测性平台。公司成立于2021年，曾于2025年4月完成3500万美元B轮融资，此后持续将平台能力延伸至AI智能体及其在生产环境中调用的各类工具。

"我认为可观测性领域正在发生的变化令人着迷。"Groundcover联合创始人兼CEO Shahar Azulay接受采访时表示。

无需手动埋点的技术底座

eBPF（扩展伯克利包过滤器）是一项Linux内核技术，允许代码在无需自定义内核模块的情况下安全运行于内核之中，长期被用于网络监控。Groundcover借助eBPF监测应用与基础设施的运行状态，无需开发者逐一对服务进行手动埋点。

"开发者不必集成SDK、修改代码库等操作。"Azulay解释道。

这一特性如今又因另一个原因变得格外重要。工程团队引入AI新工具的速度太快，以至于往往不清楚自己环境中究竟跑了什么。Azulay将这种盲区类比为十年前可观测性工具尚不成熟时团队所面临的可见性困境。由于eBPF在应用层之下运行，不依赖开发者编写的代码，Groundcover仍可捕获那些无人主动埋点的工作流。

"eBPF是一张安全网，即便没有主动埋点、即便并非处于完全掌控之下，你依然能看清哪些智能体工作流正在生产环境中运行、调用了哪些模型、使用了哪些厂商的服务。"Azulay说。

AI工作流重塑分布式追踪的边界

分布式追踪技术通过跟踪请求在各服务间的流转路径，帮助工程师定位耗时瓶颈和故障节点，其前提是请求经过的服务跳数相对固定——比如缓存调用数据库这类可手动梳理的路径。

Azulay指出，一旦引入AI智能体，这一假设便会失效。单次智能体会话可能产生数量庞大的工具调用和模型内部调用，且路径毫无规律可循。"结合大语言模型和智能体工作流，这变得非常复杂。"他说。

在监控指标上，工程团队现在除了关注延迟和错误率，还需追踪Token用量和幻觉发生率。追踪记录中可能包含用户的原始提示词，而非仅有结构化的请求数据，这也带来了隐私方面的问题。Azulay认为，由此产生的结果并不是传统APM（应用性能管理）的某种变体。"这不会是同一种产品，AI可观测性并不等同于APM。"

他将这一转变与Groundcover自身的架构挂钩——该平台将遥测数据存储于客户自己的云环境中，而非共享的厂商后端，因此能够承载智能体工作负载产生的大体量、高敏感度遥测数据，而无需将数据传输至第三方。

"我认为大家预期会保存更多遥测数据，而且要以更私密的方式保存。"Azulay说。

内置AI能力助力工程师体验升级

Groundcover不仅在优化平台以应对现代AI智能体的需求，也在将AI能力融入产品本身，提升用户体验。

Agent Mode是Groundcover面向工程师推出的内置AI助手，支持用户通过自然语言提问来了解系统状态、构建仪表盘、排查日志与追踪中的问题，无需手动编写查询语句。此外，Groundcover还构建了模型上下文协议（MCP）集成，将Agent Mode与Linear等编程智能体及工作流工具打通，使工程师和AI系统能够在事故处理过程中双向传递上下文信息。

Azulay表示，MCP集成的采用速度远超公司预期。不同客户根据自身AI工具的采用程度，使用方式也各有不同——有些人直接通过该集成提问，不再打开Groundcover仪表盘；另一些人则借助它直接编写修复方案。他认为这一趋势折射出行业整体方向，而非Groundcover一家的产品优势。

"人们正在开始构建属于自己的自主软件开发体系。"他说。

公司简介

成立时间：2021年

累计融资：1.6亿美元

本轮融资：1亿美元C轮，由One Peak领投

其他投资方：摩根士丹利扩张资本、Zeev Ventures、Angular Ventures、Heavybit、Jibe

总部：以色列特拉维夫

CEO：Shahar Azulay

核心技术：基于eBPF和OpenTelemetry的可观测性技术

Q&A

Q1：Groundcover是做什么的？和传统可观测性工具有什么不同？

A：Groundcover是一家基于eBPF和OpenTelemetry技术构建可观测性平台的公司。与传统工具相比，最大区别在于不需要开发者手动为每个服务埋点集成SDK，eBPF在内核层自动捕获运行数据。此外，Groundcover将遥测数据存储在客户自己的云环境中，而非发送给第三方厂商，数据隐私性更强，尤其适合承载AI智能体产生的大量敏感遥测数据。

Q2：AI智能体的出现对分布式追踪技术带来了哪些挑战？

A：传统分布式追踪假设请求路径相对固定，工程师可以手动梳理。但AI智能体的单次会话可能产生大量随机的工具调用和模型内部调用，路径完全不可预测，传统追踪模型难以应对。同时，监控指标也发生了变化：除延迟和错误率外，还需追踪Token用量和幻觉率，追踪记录中甚至可能包含用户原始提示词，引发隐私合规问题。

Q3：Groundcover的MCP集成是什么？它有什么用？

A：MCP（模型上下文协议）集成是Groundcover将内置AI助手Agent Mode与外部编程智能体及工作流工具（如Linear）打通的功能。通过MCP，工程师和AI系统可以在处理事故时双向传递上下文信息，工程师可以直接提问了解系统状态，也可以让AI系统基于上下文直接生成修复方案，无需手动查询仪表盘。Groundcover表示该功能的采用速度远超预期。