Monitoring MCP

监控MCP服务器

*一个全面的FastMCP 3.1.0驱动的监控服务器，为Grafana、Prometheus和Loki生态系统提供智能操作，并为DevOps工作流程提供会话式AI辅助。*

特性

FastMCP 3.1.0集成

• 会话工具返回 -人工智能友好的响应，具有可操作的见解
• 采样能力 -大型结果集的智能数据采样
• 持久化存储 -用于配置和状态的DiskStore后端
• 生产就绪 -专为高性能监控操作而设计

综合监控工具

Grafana管理 (grafana_management)

• 仪表板操作：列出、创建、更新、删除和分析仪表板
• 数据源查询：对配置的数据源执行查询
• 面板管理：添加和修改仪表板面板
• 警报配置：为仪表板指标设置警报规则
• AI驱动的分析：智能仪表板优化建议

普罗米修斯监控 (prometheus_monitoring)

• 度量查询：使用智能采样执行PromQL查询
• 范围查询：具有自动优化功能的时间序列分析
• 目标健康：监控抓取目标状态和连接
• 警报管理：列出活动警报并管理警报规则
• 性能分析：查询优化和瓶颈检测

洛基测井 (loki_logging)

• 日志查询：使用模式识别执行LogQL查询
• 实时尾随：以可配置的限制流式传输实时日志
• 异常检测：AI驱动的日志模式分析
• 误差相关：将错误日志与系统事件链接
• 请求跟踪：通过日志流跟踪请求流

跨系统相关性 (cross_system_correlation)

• 事件分析：关联度量、日志和跟踪，以进行根本原因分析
• 性能相关性：将性能指标与系统事件联系起来
• 误差相关：跨系统连接错误模式
• 健康评估：综合系统健康评分
• 预测性洞察：基于人工智能的趋势分析和建议

状态和健康监测 (monitoring_status)

• 系统健康检查：对所有系统进行全面的健康评估
• 连接性测试：验证与所有监控组件的连接
• 配置验证：验证系统配置和设置
• 数据流监控：检查监控系统之间的数据流
• 警报状态：监控警报系统运行状况和活动警报

人工智能驱动的智能

• 会话响应：自然语言摘要和可操作的见解
• 智能采样：大型数据集的自动数据缩减
• 根本原因分析：人工智能辅助事件调查
• 优化建议：性能和配置建议
• 模式识别：自动异常检测和趋势分析

企业功能

• 持久配置：具有平台感知路径的加密存储
• 速率限制：智能请求限制和错误处理
• 结构化日志记录：具有丰富上下文的JSON格式日志
• 错误恢复：优雅的降级和自动重试逻辑
• 安全：API密钥管理的身份验证支持

会话用法示例

这些示例展示了用户如何通过自然语言对话与监控MCP服务器交互，就像您在Claude Desktop或其他启用MCP的应用程序中一样。

系统健康检查对话

用户： “检查我的监控系统的整体运行状况”

监控MCP响应：

“我发现你的监控系统基本上是健康的！ 系统状态：已降级 （4个成分中有3个健康） 格拉法纳：健康（12个仪表板，配置了3个数据源） 普罗米修斯：健康（247个目标，98%以上） 洛基：不健康（连接超时-检查Loki服务是否正在运行） 总体：1个问题需要注意 建议： 启动Loki服务并运行连接测试以验证修复。"

______________________________________________________________________

事故调查对话

用户： “我们的API响应时间在今天下午3点15分激增。你能帮我调查发生了什么吗？”

监控MCP响应：

“我将在下午3点15分调查API响应时间峰值。让我关联度量、日志和系统事件。 时间线分析： - 下午3时15分：API延迟从45毫秒跃升至890毫秒 - 指标：web-01服务器上的内存使用率飙升至92% - 日志：web api服务中出现多个“超出GC开销限制”错误 已确定根本原因： 内存压力引发了垃圾收集风暴，导致响应延迟。 证据： - 内存使用率：92%（阈值：80%） - GC暂停时间：450ms（正常：\ - 错误日志：5分钟窗口内出现47个“GC开销”异常 建议： 1. 扩展web-01实例（当前为t3.media） 1. 调整JVM GC设置（-XX:+使用G1GC-XX:最大GCPauseMillis=100） 1. 在75%阈值时添加内存监控警报”

______________________________________________________________________

性能分析对话

用户： “为什么本周我们的数据库查询性能下降了？”

监控MCP响应：

“过去一周，我分析了您的数据库性能。以下是我的发现： 性能趋势： 查询响应时间缩短23% 关键指标： - 平均查询时间：450毫秒（高于320毫秒） - 慢速查询（>1s）：占总数的15%（高于8%） - 连接池利用率：89%（高于72%） 相关事件： - 星期二下午2:30：数据库重新启动（维护窗口） - 星期三：索引重建已完成（预期性能下降） - 星期五：连接池多次耗尽 性能洞察： 1. 连接池争用：89%的利用率表明池大小需要增加 1. 索引碎片：最近的重建显示出40%的改进潜力 1. 记忆压力：缓冲区缓存命中率降至87% 行动项目： - 将连接池大小增加25% - 安排定期指标维护 - 添加对连接池利用率>80%的监控”

______________________________________________________________________

日志分析对话

用户： “我在日志中看到身份验证失败。你能分析一下模式吗？”

监控MCP响应：

“我分析了您在过去24小时内的身份验证失败模式： 摘要： 检测到1247次登录尝试失败 主要故障原因： - 无效凭证68%（851次尝试）-正常用户错误 - 帐户已锁定：22%（275次尝试）-暴力保护 - 过期令牌：8%（100次尝试）-会话超时 - IP已阻止：2%（21次尝试）-安全措施 检测到可疑模式： - IP地址192.168.1.100：10分钟内连续45次失败 - 用户“admin”：针对89个不同的IP - 时间模式：UTC凌晨2点至4点之间的峰值故障 安全建议： 1. 临时阻止IP 192.168.1.100（暴力破解尝试） 1. 对登录失败实施渐进式延迟 1. 为可疑区域添加地理封锁 1. 为管理员帐户启用MFA”

______________________________________________________________________

仪表板创建对话

用户： “创建一个显示我们的服务健康状况概览的仪表板”

监控MCP响应：

“我将为您创建一个全面的服务健康仪表板！ 已创建仪表板： '服务运行状况概述' UID： svc-health-2024 面板包括： 1. 服务状态网格 -所有服务的实时健康状况 1. 错误率趋势 -1h、24h、7d误差率图 1. 响应时间分布 -P50、P95、P99延迟指标 1. 资源利用 -CPU、内存、磁盘、网络使用情况 1. 警报摘要 -按严重程度列出的活动警报 1. 主要错误源 -产生最多错误的服务 已连接的数据源： - 普罗米修斯（指标） - 洛基（原木） - Grafana（可视化） 自动刷新： 30秒 时间范围： 最后1小时 访问权限： 可在 /d/svc-health-2024/service-health-overview 仪表板现已上线，将帮助您一目了然地监控服务健康状况！"

______________________________________________________________________

配置验证对话

用户： “验证我的监控配置是否正确”

监控MCP响应：

“让我检查所有组件的监控系统配置： 配置验证结果： 全部有效 格拉法纳http://grafana:3000): - API连接已确认 - 配置了3个数据源（Prometheus、Loki、TestData） - 12个可用仪表板 - 管理员权限已验证 普罗米修斯(http://prometheus:9090): - 查询API响应 - 已配置247个刮擦目标 - 98%的目标健康状况（243/247上升） - 45条警报规则处于活动状态 洛基(http://loki:3100): - LogQL API函数 - 8个不同的日志流 - 摄入2.3GB日志（过去24小时） - 保留政策：30天 跨系统集成： - Grafana可以查询普罗米修斯数据 - Grafana可以查询洛基日志 - 已配置警报路由 - 仪表板链接功能正常 建议： 1. 4个不健康的目标 普罗米修斯需要调查 1. 考虑提高保留率 如果您需要更长的日志历史记录 1. 添加更多警报规则 关键服务 您的监控堆栈已正确配置并可运行！ "

______________________________________________________________________

API使用示例

对于直接与MCP工具集成的开发人员：

Grafana仪表板管理

# List all dashboards
await grafana_management(operation="list_dashboards")

# Create a new dashboard
await grafana_management(
    operation="create_dashboard",
    dashboard_data={
        "title": "System Overview",
        "tags": ["system", "overview"],
        "panels": [...]
    }
)

普罗米修斯指标分析

# Query system CPU usage
await prometheus_monitoring(
    operation="query_metrics",
    query="100 - (avg by(instance) (irate(node_cpu_seconds_total{mode='idle'}[5m])) * 100)"
)

洛基测井分析

# Search for error patterns
await loki_logging(
    operation="search_errors",
    query='{job="web-api"} |= "ERROR" or "Exception"'
)

跨系统事件分析

# Correlate incident data
await cross_system_correlation(
    operation="correlate_incident",
    incident_description="API response times spiked"
)

健康监测

# Check overall system health
await monitoring_status(operation="system_health")

安装

先决条件

• 紫外线 已安装（推荐）
• Python 3.12+

快速开始

立即通过运行 uvx:

uvx monitoring-mcp

Claude桌面集成

添加到您的 claude_desktop_config.json:

"mcpServers": {
  "monitoring-mcp": {
    "command": "uv",
    "args": ["--directory", "D:/Dev/repos/monitoring-mcp", "run", "monitoring-mcp"]
  }
}

先决条件

• Python 3.10+
• 访问Grafana、Prometheus和洛基实例
• FastMCP 3.1.0+（自动安装）

来自PyPI（推荐）

pip install monitoring-mcp

来源

git clone https://github.com/sandraschi/monitoring-mcp.git
cd monitoring-mcp
uv pip install -e .[dev]

配置

创建一个 .env 文件或设置环境变量：

# Monitoring endpoints
MONITORING_MCP_GRAFANA_URL=http://localhost:3000
MONITORING_MCP_PROMETHEUS_URL=http://localhost:9090
MONITORING_MCP_LOKI_URL=http://localhost:3100

# Authentication (optional)
MONITORING_MCP_GRAFANA_API_KEY=your_grafana_api_key
MONITORING_MCP_GRAFANA_USERNAME=your_username
MONITORING_MCP_GRAFANA_PASSWORD=your_password

# Performance settings
MONITORING_MCP_REQUEST_TIMEOUT=30
MONITORING_MCP_MAX_CONCURRENT_REQUESTS=10
MONITORING_MCP_MAX_RESULTS_LIMIT=1000

# Sampling configuration
MONITORING_MCP_ENABLE_SAMPLING=true
MONITORING_MCP_SAMPLING_THRESHOLD=10000
MONITORING_MCP_SAMPLING_RATE=0.1

配置

环境变量

认证

Grafana身份验证

• API密钥 （推荐）：设置 MONITORING_MCP_GRAFANA_API_KEY
• 用户名/密码：设置两者 MONITORING_MCP_GRAFANA_USERNAME 和 MONITORING_MCP_GRAFANA_PASSWORD

普罗米修斯和洛基

• 当前使用直接HTTP访问（本地设置不需要身份验证）
• 对于生产部署，配置具有身份验证的反向代理

快速开始

1.启动服务器

# Using the installed package
monitoring-mcp

# Or directly with Python
python -m monitoring_mcp

2.配置克劳德桌面

添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "monitoring": {
      "command": "python",
      "args": ["-m", "monitoring_mcp"],
      "env": {
        "MONITORING_MCP_GRAFANA_URL": "http://your-grafana:3000",
        "MONITORING_MCP_PROMETHEUS_URL": "http://your-prometheus:9090",
        "MONITORING_MCP_LOKI_URL": "http://your-loki:3100"
      }
    }
  }
}

3.测试连接

# Check system health
result = await monitoring_status(operation="system_health")
print(f"System status: {result['health_status']['overall_status']}")

# Query a simple metric
result = await prometheus_monitoring(
    operation="query_metrics",
    query="up"
)
print(f"Found {result['result_count']} metric series")

监控架构

                 Monitoring MCP Server                   
      
               Portmanteau Tools                        
           
      Grafana      Prometheus       Loki          
    Management     Monitoring      Logging        
           
      

                  
        
                          
  
   Grafana    Promethe   Loki   
 Dashboards    us Met-     Logs  
   & Panels    rics &   Analysis 
               Alerts            
  
                  
                  
     
        Cross-System          
        Correlation Engine    
                              
       Incident Analysis     
       Root Cause Detection  
       Performance Insights  
       Health Assessment     
     

工具参考

Grafana管理(grafana_management)

普罗米修斯监控(prometheus_monitoring)

洛基测井(loki_logging)

跨系统相关性(cross_system_correlation)

状态监控(monitoring_status)

发展

设置开发环境

# Install development dependencies
uv pip install -e .[dev]

# Run tests
pytest

# Run linting
ruff check .

# Format code
ruff format .

# Type checking
mypy src/

测试

# Run all tests
pytest

# Run with coverage
pytest --cov=monitoring_mcp --cov-report=html

# Run specific test category
pytest tests/unit/ -v
pytest tests/integration/ -v

Docker开发

# Build development image
docker build -t monitoring-mcp:dev -f Dockerfile.dev .

# Run with hot reload
docker run -p 8000:8000 -v $(pwd):/app monitoring-mcp:dev

文档

指南和文件

• API 参考 -完整的API文件
• Grafana集成 -Grafana特定指南
• 普罗米修斯查询 -PromQL实践
• 洛基查询 -LogQL模式和示例
• 相关性分析 -跨系统分析技术
• 故障排除 -常见问题和解决方案

架构文档

• 系统架构 -系统设计和组件
• 性能指南 -优化和扩展
• 安全 -安全考虑和做法
• 部署 -生产部署指南

贡献

我们欢迎捐款！请查看我们的 贡献指南 了解详情。

开发流程

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/-feature)
3. 通过全面的测试进行更改
4. 运行完整的测试套件： make test-all
5. 根据需要更新文档
6. 提交拉取请求

代码规范

• FastMCP 3.1.0+：使用最新功能和模式
• 类型提示：需要全类型覆盖
• 异步优先：在适当的情况下，所有操作都应该是异步的
• 对话式：工具响应应该对人工智能友好
• 文档：综合文档和示例

🛡️ 工业级质量堆栈

该项目坚持 索塔14.1 高保真代理编排的工业标准：

• Python（核心）: 拉夫 用于裁剪和格式化。零容忍 print 核心处理程序中的语句(T201).
• Web应用程序（用户界面）: 生物群系 用于亚毫秒级的起毛。严格 noConsoleLog 执行。
• 协议遵从：硬化 stdout/stderr 隔离，以确保防崩溃的JSON-RPC通信。
• 自动化: Justfile 所有舰队行动的食谱(just lint, just fix, just dev).
• 安全：通过以下方式进行自动化审计 bandit 和 safety.

许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

致谢

• FastMCP团队 -对于优秀的MCP框架
• Grafana实验室 -对于格拉法娜、普罗米修斯和洛基
• 开放遥测社区 -对于可观测性标准
• Pydantic团队 -用于强大的数据验证

______________________________________________________________________

使用FastMCP 3.1.0构建，用于智能监控操作