Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Den Troubleshooting Agent verwenden
<a name="spark-troubleshooting-using-troubleshooting-agent"></a>

## Unterstützte Bereitstellungsmodi
<a name="supported-deployment-modes"></a>

Der Apache Spark Troubleshooting Agent für Amazon EMR unterstützt umfassende Analysefunktionen für ausgefallene Spark-Workloads, einschließlich automatisierter Fehlerdiagnose, Identifizierung von Leistungsengpässen, Codeempfehlungen und umsetzbaren Vorschlägen für eine verbesserte Anwendungsleistung für den folgenden Spark-Bereitstellungsmodus:
+ EMR in EC2
+ EMR Serverlos
+ AWS Glue

Weitere Informationen [Funktionen und Fähigkeiten](spark-troubleshooting-features.md) zu den Funktionen, Kapazitäten und Einschränkungen finden Sie unter.

## Unterstützte Schnittstellen
<a name="supported-interfaces"></a>

### Fehlerbehebung bei Zellen in SageMaker Amazon-Notebooks
<a name="troubleshooting-sagemaker-notebooks"></a>

Eine Demonstration der Erfahrungen mit der Fehlerbehebung mit Amazon SageMaker Notebooks. Bei jedem Ausfall einer Notebook-Zelle können Sie den Amazon SageMaker Notebook-Agenten bitten, den Fehler beim Anfordern der Analyse zu beheben, gefolgt von einer möglichen Codekorrektur, falls der Fehler auf Code zurückzuführen ist, indem Sie auf die `Fix with AI` Schaltfläche klicken.

[![AWS Videos](http://img.youtube.com/vi/btW8hwio0tE/0.jpg)](http://www.youtube.com/watch?v=btW8hwio0tE)


### Fehlerbehebung bei Glue- und EMR Spark-Anwendungen mit Kiro CLI
<a name="troubleshooting-glue-emr-applications"></a>

Starten Sie Kiro CLI oder Ihren AI Assistant und überprüfen Sie die geladenen Tools für den Fehlerbehebungsprozess.

```
...
 sagemaker-unified-studio-mcp-code-rec (MCP)
 - spark_code_recommendation    not trusted
 
 sagemaker-unified-studio-mcp-troubleshooting (MCP)
 - analyze_spark_workload       not trusted
...
```

Jetzt sind Sie bereit, den Spark-Troubleshooting-Agent-Workflow zu starten.

Eine Demonstration der Erfahrungen mit der Fehlerbehebung mit Kiro CLI. Sie können den Fehlerbehebungsprozess einfach mit der folgenden Aufforderung starten:

```
Analyze my Glue job. The job name is "xxx" and the job run id is "xxx"
```

[![AWS Videos](http://img.youtube.com/vi/YLwV_EenJXY/0.jpg)](http://www.youtube.com/watch?v=YLwV_EenJXY)


### Integration mit anderen MCP-Clients
<a name="integration-other-mcp-clients"></a>

Die unter beschriebene Konfiguration [Einrichtung für den Troubleshooting Agent](spark-troubleshooting-agent-setup.md) kann auch in anderen MCP-Clients und IDEs zur Verbindung mit dem Managed MCP-Server verwendet werden:
+ **Integration mit Cline** — Um den MCP-Server mit Cline zu verwenden, ändern Sie die obige Konfiguration `cline_mcp_settings.json` und fügen Sie sie hinzu. Weitere Informationen zur [Verwaltung der MCP-Konfiguration finden Sie in der Dokumentation von Cline](https://docs.cline.bot/mcp/configuring-mcp-servers).
+ **Integration mit Claude Code** Um den MCP-Server mit Claude Code zu verwenden, ändern Sie die Konfigurationsdatei so, dass sie die MCP-Konfiguration enthält. Der Dateipfad variiert je nach Betriebssystem. Eine detaillierte Einrichtung finden Sie unter [ https://code.claude.com/docs/en/mcp](https://code.claude.com/docs/en/mcp).
+ **Integration mit GitHub Copilot — Um** den MCP-Server mit GitHub Copilot zu verwenden, folgen Sie den Anweisungen unter [ https://docs.github.com/en/copilot/how-tos/provide-context/use-mcp/extend—](https://docs.github.com/en/copilot/how-tos/provide-context/use-mcp/extend-copilot-chat-with-mcp), um die entsprechende Konfigurationsdatei copilot-chat-with-mcp zu ändern, und folgen Sie den Anweisungen für jede IDE, um das Setup zu aktivieren.