Java基础、中级、高级、架构面试资料
    你的位置：业余草 > JAVA > 阿里 Arthas 正式支持 MCP，Java 线上诊断迈入 AI 时代

    阿里 Arthas 正式支持 MCP，Java 线上诊断迈入 AI 时代

    JAVA herman 11浏览
    公告：“业余草”微信公众号提供免费CSDN下载服务(只下Java资源)，关注业余草微信公众号，添加作者微信：xttblog2，发送下载链接帮助你免费下载！
    本博客日IP超过2000，PV 3000 左右，急需赞助商。
    极客时间所有课程通过我的二维码购买后返现24元微信红包，请加博主新的微信号：xttblog2，之前的微信号好友位已满，备注：返现
    受密码保护的文章请关注“业余草”公众号，回复关键字“0”获得密码
    所有面试题(java、前端、数据库、springboot等)一网打尽，请关注文末小程序
    视频教程免费领
    【腾讯云】1核2G5M轻量应用服务器50元首年，高性价比，助您轻松上云

    还久没用 Arthas 了，今天打开它的官网一看，卧槽，它竟然支持了 MCP。

    而且它的迭代速度比感觉比 Java 生态里的 Spring 还要快。

    我以为它已经成熟了，最多支持一些新 JDK。没想到它竟然要蹭上 AI 了。既然如此，那我今天就来试试这个 Arthas + MCP 把，体验一下这个 Java 线上诊断正式迈入“AI 对话”时代能力。

    文章配图参见 https://mp.weixin.qq.com/s/dWlODscV4CS9FNrmNMMnDw。

    Java 的线上救火队

    Arthas 自 2018 年开源以来，已成为 Java 线上排障的“瑞士军刀”。它基于 Java Instrumentation API 与 ASM 字节码增强技术，能在不重启、不修改代码的前提下，实时查看线程状态、追踪方法耗时、反编译类文件、监控入参返回值。

    传统 Arthas 诊断的典型流程是。

    1. 登录服务器，执行 java -jar arthas-boot.jar attach 目标进程
    2. 敲 dashboard 查看整体状态，找高 CPU 线程
    3. 用 thread <id> 查看具体线程堆栈
    4. 根据堆栈信息，用 jad 反编译可疑类
    5. 必要时用 trace 或 watch 追踪方法执行

    这个流程虽然强大，但门槛极高。你得记住 20+ 个命令的参数格式，懂得 OGNL 表达式，知道如何限量避免线上刷屏，更需要掌握“排障路径”，先拿证据，再收敛，再验证。

    真正耗时的不是“敲命令”，而是每一步的决策。

    AI 时代的更多可能性

    MCP（Model Context Protocol，模型上下文协议）由 Anthropic 于 2024 年 11 月提出并开源，旨在标准化 AI 助手与各种工具、数据源的连接方式。

    在 MCP 出现之前，每个 AI 模型对接每个工具都需要定制集成，形成 N×M 的碎片化问题。MCP 用一个通用接口解决了这一困境：MCP Server 只需构建一次，就能被任何 MCP 客户端（如 Claude Desktop、Cursor、Cherry Studio）调用。

    Arthas MCP Server 正是基于这一协议，通过 HTTP/Netty 提供统一的 JSON-RPC 2.0 接口，将 Arthas 的诊断命令封装成 26 个 AI 可调用的工具。

    类别工具数量核心功能
    JVM 相关12 个dashboard、heapdump、thread、memory、jvm、ognl 等
    类加载相关8 个sc、sm、jad、classloader、redefine、dump 等
    监控诊断6 个monitor、stack、trace、watch、tt、profiler

    这样更能简化大家的日常排查难度和操作步骤。

    一句话排查 CPU 飙高

    接下来，让我们通过一个真实场景，看看 Arthas MCP 如何改变诊断体验。

    话说，某天晚上 8 点高峰期，订单服务 CPU 飙升到 98%，接口响应变慢。

    传统方式（无 AI）

    在无 MCP 模式下，你需要登录服务器 → 启动 Arthas → 敲 dashboard 找高 CPU 线程 → 记住线程 ID → 敲 thread 29 → 手动分析堆栈 → 定位到代码 → 修改 → 发布。

    整个过程 15-30 分钟，每一步都可能因为不熟悉命令而卡住。

    AI + Arthas MCP 方式

    现在，新版本的 Arthas 支持 MCP 了。因此，你只需在 Cherry Studio 或 Claude Desktop 中输入。

    我的订单服务 CPU 飙到 98%，帮我排查一下是哪个线程导致的高 CPU，它卡在哪里了？

    AI 会自动执行以下诊断剧本。

    第一步：调用 dashboard 查看整体情况。

    AI 自动执行 dashboard 命令，发现线程 ID 29（http-nio-8080-exec-8）CPU 占用 89.2%。

    第二步：调用 thread 查看线程堆栈。

    AI 执行 thread 29，获取完整堆栈。

    at java.util.regex.Pattern$GroupHead.match(Pattern.java:4660)
at com.xttblog.logging.LogAspect.logAround(LogAspect.java:47)
at com.xttblog.order.service.OrderService.getOrder(OrderService.java:123)

    第三步：AI 分析并给出结论，AI 自动识别出问题根源。

    线程卡在 java.util.regex.Pattern 的正则匹配中。调用链显示问题发生在 LogAspect.java:47 的日志切面。该切面在处理超长字符串时，触发了性能极差的正则表达式（贪婪匹配 + 回溯），导致 CPU 占满。

    第四步：给出修复建议。

    临时措施：关闭日志切面；根本修复：将正则 .* 改为 [^"]* 避免回溯，或改用 indexOf 替代；增加长度限制，超过 2000 字符不进行脱敏处理。

    整个过程不到 30 秒，无需你记住任何 Arthas 命令。

    想不到呀，AI 写代码，AI 还能自动排查问题，不少程序员真的要被淘汰了。

    Arthas MCP 的技术架构

    下面，我们一起看下 Arthas MCP 的技术架构吧。

    根据官方文档，Arthas MCP Server 的配置非常简单。

    第一步，启用 MCP 服务。在 arthas.properties 中添加。

    arthas.mcpEndpoint=/mcp
arthas.httpPort=8563

    第二步，验证服务启动。

    curl http://localhost:8563/mcp

    第三步，配置 AI 客户端（以 Cherry Studio 为例）。

    {
  "mcpServers": {
    "arthas-mcp": {
      "type": "streamableHttp",
      "url": "http://localhost:8563/mcp"
    }
  }
}

    需要特别注意安全认证，当配置 arthas.password 时，MCP Server 会自动开启 Bearer Token 认证，需在请求头中携带 Authorization: Bearer <password>。

    AI 诊断 Java 故障，靠谱吗？

    这应该是大多数人最关心的问题。从目前的社区实践来看，Arthas MCP 的可靠性体现在以下几个方面。

    内置排障剧本

    Arthas Agent 内置了阿里巴巴多年积累的百万级诊断经验，AI 知道 CPU 高要先看 dashboard 还是 thread -n，知道拿到堆栈后如何继续收敛。这相当于随身带了一位 10 年经验的架构师。

    安全可控

    • 命令限量：每轮只推进 1-2 步，避免线上冲击
    • 低风险优先：默认使用只读命令（thread、jad、sc），慎用 redefine
    • Bearer Token 认证：防止未授权访问

    人机协作

    AI 负责“初诊”和“信息收集”，生成结构化报告（结论/证据/原因/建议），最终决策和修复仍由人工完成。这种人机协作模式，既发挥了 AI 的信息处理能力，又保留了人类的专业判断。

    当然，Arthas MCP 目前仍是实验性模块，功能在快速迭代中，复杂场景可能需要人工干预验证 AI 推断。

    适用场景

    除了 CPU 飙高，Arthas MCP 还能帮你排查。

    问题类型AI 调用命令诊断能力
    接口变慢trace自动追踪调用链，找出最慢方法
    内存泄漏heapdump + memory生成堆转储，分析大对象
    死锁thread -b检测死锁线程，显示等待关系
    参数异常watch监控方法入参和返回值
    类加载问题sc、classloader查看类加载路径和加载器统计

    除了这些，你日常工作中遇到的各种性能、代码故障问题等，都可以使用 Arthas 来排查。

    目前官方支持 Arthas MCP 的 AI 客户端还包括 Claude Desktop、Cherry Studio、Cline、Cursor 等。感兴趣的网友可以抽空体验一番。

    结语

    Arthas 接入 MCP，标志着 Java 线上故障排查进入了“AI 辅助诊断”的新阶段。

    这不仅是工具的升级，更是“思维方式的转变”，从“记住命令”到“描述问题”，从“人工决策”到“人机协作”。对于刚入行的 Java 开发者，这意味着不再需要背诵厚厚的 Arthas 手册；对于资深工程师，这意味着可以把重复性的信息收集交给 AI，专注于根因分析和架构优化。

    正如一位大佬所说：“以前排查线上问题像侦探破案，现在像有个助手帮你整理好了所有证据，你只需要做最终判断。”

    未来已来，你准备好进行 AI 人机协作，用 AI 排查线上问题了吗？

    业余草公众号

    最后，欢迎关注我的个人微信公众号：业余草（yyucao）！可加作者微信号：xttblog2。备注：“1”，添加博主微信拉你进微信群。备注错误不会同意好友申请。再次感谢您的关注！后续有精彩内容会第一时间发给您！原创文章投稿请发送至532009913@qq.com邮箱。商务合作也可添加作者微信进行联系！

    本文原文出处：业余草： » 阿里 Arthas 正式支持 MCP，Java 线上诊断迈入 AI 时代

    相关文章推荐