DataBuff 是一款面向云原生与微服务场景的开源 AI Native OpenTelemetry APM，采用 OTLP 标准接入、Apache Doris 统一存储，Web 端提供拓扑 / Trace / 指标与多 Agent 排障。项目已在 OSCHINA 软件库收录：https://www.oschina.net/p/databuff

今天，DataBuff 正式发布 v0.1.6。相对 v0.1.5 共 20 个提交，本版无 Schema 迁移，升级即替换镜像并重启。这版我们主要改了查询性能、告警准确性和 AI 稳定性，并把工作区文件预览的后缀限制放开了；另外完善了 databuff-proxy 双写迁移路径，已有 SkyWalking 的团队业务零改动就能并跑 DataBuff。需要上手操作的两项（databuff-proxy 双写、接口耗时分解）下面展开说，其余列在末尾。

本版本亮点摘要

• databuff-proxy 双写迁移：v0.1.6 完善了 SkyWalking→DataBuff 双写迁移路径与稳定性验证，业务零改动（Agent 不换、配置不改、Pod 不重启），平台侧接 databuff-proxy 即可让同一批 Trace 同时进 OAP 和 DataBuff Ingest。
• 接口耗时分解：接口分析新增「接口自身耗时」维度，把接口自身耗时从下游调用（DB / Redis / MQ / HTTP / RPC）拆出来，慢在自身逻辑还是下游依赖一眼能分。
• Span 列表查询加速：接口分析 / 链路追踪的 span 列表改用 exact URL 精确匹配、不再单独 count 总数、并对 startTime 做 30 分钟分区裁剪，列表响应更快。
• 告警同环比检测修正：mutation（同环比）告警尊重 comparePeriod 与 fluctuate 方向（valUp / valDown / yoyUp / yoyDown），不再误判方向。
• 告警取值与表达式：listTagValues 跳过未知 metric tag；eval SQL 覆盖 filter operators。
• AI 稳定性：brain 多步 handoff 提示改进、剥离 protocol coaching；session 列表/计数 DB-first，Doris 错误时 fail-closed 到内存；model failure 上抛给用户；修复 brain dispatch bug；更新 brain routing 提示词。
• AI 稳定性测试：5 套 AI 集成测试全部并行（chat/formats/memory/brain + 新增 modelfail），新增专家交互契约测试，修复记忆隔离、模型失败上抛、brain 调度等缺陷。
• 工作区文件预览：AI 对话工作区在线预览扩展到所有非二进制文件（不再限于 txt/log/csv/json）。
• 部署与构建：compose health wait 超时提升至 300s；新增 ai-apm-web-base 镜像，web release 跳过 apt 重装。

怎么用：databuff-proxy 双写（SkyWalking 平滑过渡）

已有 SkyWalking 的团队想试 DataBuff，业务侧零改动就能并跑：只在原 OAP 宿主机部署 databuff-proxy 占住 :11800，同一批流量对称抄送两路后端。

• 业务零改动：Agent 不换、上报地址不改、Pod 不重启。
• 对称双写：同一批 Trace / JVM / Log 同时进 OAP 和 DataBuff Ingest，不做协议转换。
• 对照期可回滚：两路 UI 并排看，满意了管理页关 SkyWalking 写入即可。
• v0.1.6 完善：迁移指南新增方案 B、新增双写稳定性验证文档。
• proxy 独立仓库：https://github.com/databufflabs/databuff-proxy，单独发布，不在 v0.1.6 主仓代码内。

图 1 · databuff-proxy 管理页：同一批流量对称双写两路后端，发送成功约为入站的两倍、丢弃为 0，可随时开关某路写入

迁移步骤与稳定性结论见 docs/迁移指南/from-skywalking-to-databuff.md（方案 B）与 docs/迁移指南/proxy-dual-write-stability.md。

怎么用：接口耗时分解

路径：应用性能 → 接口分析。选中一个 HTTP / RPC / MQ 接口，耗时分解图按时间桶把耗时拆成「接口自身耗时」与各下游组件（DB / Redis / MQ / HTTP / RPC / 远程调用），下游再按对端 service 细分。

• 接口自身耗时：接口总耗时减去所有下游调用耗时之和。
• 下游按组件 + 对端 service 拆：例如 HTTP service-b、DB [mysql]demo_apm、Redis [redis]redis:6379、MQ [kafka]order-events。
• 定位瓶颈更直接：响应时间涨，看是自身涨还是某个下游涨，无需逐条翻 Trace。

图 2 · 接口耗时分解：响应时间 240ms，按时间桶拆出接口自身耗时与下游各组件（HTTP / RPC / MySQL / Elasticsearch / Redis / Kafka），自身逻辑和下游依赖各占多少看图即知

怎么用：工作区文件在线预览扩展

路径：AI 平台 → AI 对话。专家执行工具时产出的中间文件会落到工作区，点击即可在右侧在线预览，不用下载到本地。

v0.1.6 把可预览的后缀放开了：除二进制（图片、压缩包、.class、.parquet 等）外，.py、.sh、.yml、.sql、Dockerfile、.md 等文本/代码类文件都能直接看，.md 按 markdown 渲染。交互和 v0.1.5 一样，升级即生效。

重点：AI 稳定性测试

v0.1.6 强化 AI 稳定性测试：新增「模型失败可见性」套件与专家交互契约测试，修复记忆隔离、模型失败上抛、brain 调度等缺陷。5 套全部并行：

• chat 工具参数校验：4 题，覆盖服务/拓扑/慢请求 trace/告警四类工具调用，校验选工具与参数。
• formats 接入格式：OpenAI Completions + Anthropic Messages 两种接入格式，3 题，验证接入一致。
• memory 会话记忆：5 用例：巡检多轮记忆/同会话跨专家隔离/问数多轮记忆/大脑多轮记忆/巡检追问生成。
• brain 大脑异步路由：10 用例：单专家调度/并行调度/专家失败/跨会话隔离/多轮调度/多步巡检-报告/多步延迟巡检-报告/并行巡检+运维/数据→运维/数据+问答。
• modelfail 模型失败可见性（v0.1.6 新增）：3 用例：单专家运维/单专家数据/多专家级联，失败上抛给用户而非静默吞掉。

Java 侧新增专家交互契约测试（BuiltInExpertInteractionContractIntegrationTest 486 行、ExpertMessageContractTest 183 行）。

安装与升级

新用户安装（全新安装，会清理旧安装目录与 data/）：

curl -fsSL https://databuff.ai/databuff/ai-apm-install.sh | bash

现有用户升级（就地升级，保留 data/ 观测数据）：

curl -fsSL https://databuff.ai/databuff/ai-apm-update.sh | bash

本版无 Schema 迁移，升级即替换镜像并重启。K8s 本版不支持原地升级，需卸载后重装。更多细节见 deploy/docker/UPGRADE.md。

获取项目

• Release：https://github.com/databufflabs/databuff/releases/tag/0.1.6
• 源码：https://github.com/databufflabs/databuff
• 文档：https://github.com/databufflabs/databuff/tree/master/docs
• 官网：https://databuff.ai
• 在线演示：https://demo.databuff.ai
• OSCHINA 软件主页：https://www.oschina.net/p/databuff
• databuff-proxy（独立仓库）：https://github.com/databufflabs/databuff-proxy

欢迎试用 v0.1.6，在 GitHub 给我们一个 Star，并在软件主页留言交流部署与迁移复现体验。