Solucione problemas de forma mais inteligente com o novo servidor MCP para Red Hat Enterprise Linux (agora na apresentação prévia para desenvolvedores)

Há muito tempo, os administradores e desenvolvedores de sistemas do Red Hat Enterprise Linux (RHEL) contam com um conjunto específico de ferramentas para diagnosticar problemas, aliado a anos de experiência e conhecimento acumulados. No entanto, à medida que os ambientes se tornam mais complexos, a carga cognitiva necessária para decifrar logs e solucionar problemas de forma eficaz tem aumentado.

Hoje, temos o prazer de anunciar a apresentação prévia para desenvolvedores de um novo servidor do Model Context Protocol (MCP) para o RHEL. Este novo servidor MCP foi projetado para preencher a lacuna entre o RHEL e os Large Language Models (LLMs), abrindo caminho para uma nova era de solução de problemas mais inteligente.

O que é o servidor MCP para RHEL?

MCP é um padrão aberto que permite que modelos de AI interajam com dados e sistemas externos, originalmente lançado pela Anthropic e doado em dezembro de 2025 para a Agentic AI Foundation da Linux Foundation. O novo servidor MCP do RHEL está agora na apresentação prévia para desenvolvedores e usa esse protocolo para fornecer acesso direto e baseado no contexto ao RHEL a partir de aplicações de AI compatíveis com o protocolo MCP, como Claude Desktop ou goose.

Já lançamos servidores MCP para o Red Hat Lightspeed e o Red Hat Satellite, possibilitando diversos casos de uso interessantes. Este novo servidor MCP amplia esses cenários de uso, projetado sob medida para o troubleshooting avançado em sistemas RHEL.

Habilitando uma solução de problemas mais inteligente

Conectar seu LLM ao RHEL com o novo servidor MCP possibilita casos de uso como:

• Análise inteligente de logs: examinar dados de logs é uma tarefa exaustiva. O servidor MCP permite que os LLMs assimilem e analisem os logs do sistema RHEL. Esse recurso permite a análise da causa raiz orientada por IA e a detecção de anomalias, ajudando você a transformar dados brutos de log em inteligência acionável.
• Análise de desempenho: o servidor MCP pode acessar informações sobre o número de CPUs, a média de carga, informações da memória e informações sobre o uso de CPU e memória dos processos em execução. Isso permite que um sistema LLM analise o estado atual do sistema, identifique possíveis gargalos de desempenho e faça outras recomendações relacionadas ao desempenho.

Para ajudar você a explorar esses novos recursos de maneira mais segura, esta apresentação prévia para desenvolvedores se concentra na habilitação do MCP somente leitura. O servidor MCP permite que um LLM inspecione e recomende, e utiliza chaves SSH padrão para autenticação. Ele também pode ser configurado com uma lista de permissões para acesso ao arquivo de log e acesso ao nível de log. O servidor MCP não permite acesso open shell ao seu sistema RHEL, pois os comandos executados por ele são pré-verificados.

Exemplos de casos de uso

Nesses exemplos, estou usando o agente de agentic AI goose com o servidor MCP para trabalhar com um dos meus sistemas RHEL 10 chamado rhel10.example.com. O Goose é compatível com vários provedores de LLM, incluindo provedores online hospedados e provedores hospedados localmente. Estou usando um modelo hospedado localmente.

Instalei o Goose e o servidor MCP na minha estação de trabalho Fedora, com a autenticação de chave SSH configurada com rhel10.example.com.

Começarei com um prompt solicitando ao LLM que me ajude a verificar a integridade do sistema rhel10.example.com:

O LLM utiliza diversas ferramentas fornecidas pelo servidor MCP para coletar informações do sistema:

Com base nisso, o LLM oferece uma visão geral do sistema e sua integridade, incluindo esta tabela:

Além disso, ele fornece este resumo, observando os problemas críticos que precisam ser abordados, como o sistema de arquivos raiz quase cheio e alguns serviços com falha no sistema.

Vamos examinar os problemas identificados. Solicitarei ao LLM que me ajude a determinar por que o uso do disco está tão alto:

O LLM usa ferramentas fornecidas pelo servidor MCP para determinar o que está usando mais espaço em disco:

Com base nisso, o LLM determina que o diretório /home/brian/virtual-machines tem um arquivo de 25 GB e que o diretório /home/brian/.local está ocupando 24 GB de espaço:

Por fim, também solicitarei ao LLM que ajude com o httpd.service, que foi relatado anteriormente como apresentando falhas.

O LLM usa a ferramenta Read File fornecida pelo servidor MCP:

Com base nisso, o LLM relata as possíveis causas da falha do httpd.service:

Além disso, ele também fornece algumas instruções passo a passo para corrigir isso:

O servidor MCP para RHEL me permitiu identificar e solucionar facilmente possíveis problemas nesse sistema relacionados a um sistema de arquivos quase cheio e a um serviço httpd com falha.

Quais são os próximos passos?

Estamos começando com a análise somente leitura, mas nosso roadmap pretende expandir para outros casos de uso. Para acompanhar o processo de desenvolvimento, fique de olho em nosso repositório do GitHub upstream. Contribuições upstream são bem-vindas! Estamos muito interessados no seu feedback: solicitações de aprimoramento, relatórios de bugs e assim por diante. Você pode entrar em contato com a equipe pelo GitHub ou pelo Fedora AI/ML Special Interest Group (SIG).

Tudo pronto para uma solução de problemas mais inteligente?

O servidor MCP para RHEL já está disponível na apresentação prévia para desenvolvedores. Conecte sua aplicação cliente do LLM e veja como a agentic AI contextual pode mudar a maneira como você gerencia o RHEL. Para começar, consulte a documentação da Red Hat e a documentação do upstream.