Datadog MCP Azure Openai

MCP数据服务

提供方 jthomas-dd

数据服务 stdio · 本地进程 OAuth 授权 社区 / 第三方
查看接入方式

Azure OpenAI与Datadog MCP服务器的集成,通过简单的API/APP密钥认证实现AI驱动的监控和可观测性查询。

一句话选型结论

按资料字段整理

Datadog MCP Azure Openai 属于数据服务类 MCP 服务器,stdio · 本地进程,OAuth 授权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类数据服务 传输方式stdio · 本地进程 鉴权OAuth 授权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 14 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

数据服务
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量14暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI监控Python本地部署Datadog集成可观测性自动化查询实时数据分析

安装与配置

stdio · 本地进程 OAuth 授权
客户端在本机拉起子进程,数据不出本机
pip install -r requirements.txt

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 14 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
数据库查询

用自然语言查库、取数,不用手写 SQL。

数据同步与清洗

把多来源数据拉到一处做整理。

报表取数

按口径快速拉出统计结果。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 14 个工具,覆盖面较广,能满足多种调用。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好OAuth 授权对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在数据服务场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Datadog MCP Azure Openai当前 14 stdio · 本地进程 本地部署 有 2026-05-17
Memory 9d25f64e 9 未标注 未标注 无 2026-05-17
Getzep MCP 9 stdio · 本地进程 本地部署 有 2026-05-17
anything-llm 未标注 stdio · 本地进程 本地部署 有 2026-04-11
Prisma MCP Server 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Astr Bot 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

数据服务
字段来自项目仓库与公开索引,中文说明由本站标注
提供方jthomas-dd上游标注的维护方 jthomas-dd
分类数据服务本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式OAuth 授权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

19.1 KB
来自项目仓库与上游目录的原文,未做删改

Azure OpenAI 与 Datadog 的 MCP 集成

此项目提供了Azure OpenAI与Datadog模型上下文协议(MCP)服务器之间经过测试的完整集成,使用户能够使用简单的API/应用程序密钥认证进行AI驱动的监控和可观测性查询。

🧪 表示“实验器材”或“实验用具”。 经过测试并已验证

  • ✅(勾选标记,通常表示正确、确认或已完成) Azure OpenAI 函数调用 - GPT-4 自动选择合适的 Datadog 工具
  • ✅ 14 Datadog MCP 工具 - 完全访问监控器、日志、指标、应用性能管理(APM)、事件和基础设施
  • ✅ 实时数据集成 - 成功查询实时 Datadog 环境
  • ✅ API/APP密钥认证 - 简单的凭据设置,无需OAuth复杂性
  • ✅ FastAPI 服务器 - 异步端点,具备适当的错误处理和生命周期管理
  • ✅ 多种查询格式 - 具有结构化响应的GET/POST端点

🎯 这个的作用

向您的Datadog环境提出自然语言问题,并通过Azure OpenAI获得智能答案:

  • “目前哪些监控设备在发出警报?”
  • “给我展示过去一小时的错误日志”
  • “有没有什么我应该了解的正在发生的事件?”
  • “我的生产主机的CPU使用率是多少?”

该人工智能会自动选择合适的Datadog工具,并基于您的实际监控数据提供全面分析。

✨ 主要特点

  • 🤖 机器人 Azure与OpenAI的集成使用GPT-4结合函数调用进行智能工具选择
  • 📊 表格/数据图表 14 Datadog MCP 工具全面访问监控、日志、应用性能管理(APM)、基础设施和事件信息
  • 🛠️(工具/螺丝刀) 自动工具选择AI根据您的查询决定使用哪个Datadog工具

建筑学```

User Query → FastAPI Server → Azure OpenAI → Function Calls → Datadog MCP Server → Datadog API
↑ ↓
Response ← JSON Format ← Tool Results ← MCP Protocol ← Monitoring Data


## 快速入门

### 1. 安装依赖项```bash
pip install -r requirements.txt

2. 配置环境变量

复制示例环境文件并填写您的凭据:```bash
cp .env.example .env


编辑 `.env` 使用您的真实凭据:```env
# Azure OpenAI Configuration
AZURE_OPENAI_API_KEY=your_azure_openai_api_key_here
AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
AZURE_OPENAI_MODEL=gpt-4

# Datadog Configuration
DD_API_KEY=your_datadog_api_key_here
DD_APP_KEY=your_datadog_application_key_here
DD_SITE=datadoghq.com

3. 启动服务器```bash

Set environment variables and start the server

AZURE_OPENAI_API_KEY=your_azure_key \
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/ \
AZURE_OPENAI_MODEL=gpt-4 \
DD_API_KEY=your_datadog_api_key \
DD_APP_KEY=your_datadog_app_key \
DD_SITE=datadoghq.com \
python fastapi_server.py


服务器将在 `http://localhost:8000` 并展示:```
✅ FastAPI server initialized with Azure OpenAI MCP Agent
✓ Agent initialized with 14 Datadog tools available

4. 测试集成```bash

Health check

curl http://localhost:8000/health

Response: {"status":"healthy","agent_initialized":true}

List available Datadog tools (14 tools)

curl http://localhost:8000/v1/tools

Ask about your monitors

curl "http://localhost:8000/v1/mcp?query=What%20monitors%20do%20I%20have?"

Check for active alerts

curl "http://localhost:8000/v1/mcp?query=Show%20me%20any%20active%20alerts%20or%20incidents"

Search logs for errors

curl "http://localhost:8000/v1/mcp?query=Find%20error%20logs%20from%20the%20last%20hour"


## API 端点

### GET `/v1/mcp`

使用Datadog MCP工具通过Azure OpenAI处理查询(与原始客户API结构匹配)。

**参数:**

- `query` (必填):要处理的查询
- `system_prompt` (可选):自定义系统提示以指导AI

**示例:**```bash
curl "http://localhost:8000/v1/mcp?query=Show%20me%20error%20logs%20from%20the%20last%20hour"

POST(邮政) /v1/mcp

使用JSON请求/响应的查询端点的结构化版本。

请求体:```json
{
"query": "What dashboards do I have for monitoring my web application?",
"system_prompt": "You are a monitoring expert. Provide detailed analysis.",
"max_tool_calls": 3
}


### 获取 `/v1/tools`

列出所有可用的Datadog MCP工具及其描述和参数。

### POST(邮政服务/帖子/发布) `/v1/task`

利用智能体的能力执行一项结构化任务。

## 🔧 可用的Datadog工具(共14个)(随后端变化而变化)

该集成通过MCP服务器提供了对全面Datadog功能的访问:

### **监控与告警**

- `search_datadog_monitors` - 按状态、团队、优先级列出并筛选监控器
- `search_datadog_incidents` - 查找当前发生的事件、严重程度级别以及受影响的服务
- `get_datadog_incident` - 通过ID获取详细的事件信息

### **指标与性能**

- `get_datadog_metric` - 查询带有聚合功能的时间序列指标数据
- `search_datadog_dashboards` - 发现仪表板及其底层查询
- `search_datadog_services` - 列出团队所有服务及其链接

### **日志与故障排除**

- `search_datadog_logs` - 高级日志搜索,支持过滤和聚类
- `search_datadog_events` - 查询系统事件和通知

### **基础设施**

- `search_datadog_hosts` - 带有状态、标签和元数据的库存主机
- `search_datadog_metrics` - 发现您环境中可用的指标

### **APM(应用性能管理)与分布式追踪**

- `search_datadog_spans` - 分析分布式追踪和服务依赖关系
- `get_datadog_trace` - 通过追踪ID检索完整的追踪详情
- `search_datadog_rum_events` - 实际用户监控事件和性能数据

### **文档**

- `search_datadog_docs` - 查询Datadog的公开文档

## 📋 实际使用示例

### **基本监控查询**```bash
# Get overview of your monitoring setup
curl "http://localhost:8000/v1/mcp?query=What%20monitors%20do%20I%20have%20in%20my%20Datadog%20environment?"

# Check current system health
curl "http://localhost:8000/v1/mcp?query=Show%20me%20any%20alerts%20or%20incidents%20that%20are%20currently%20active"

# Search for specific issues
curl "http://localhost:8000/v1/mcp?query=Find%20any%20error%20logs%20from%20my%20web%20service%20in%20the%20last%20hour"

# Infrastructure monitoring
curl "http://localhost:8000/v1/mcp?query=What%20hosts%20are%20running%20and%20what%27s%20their%20status?"

使用POST进行高级分析```bash

Complex performance analysis

curl -X POST http://localhost:8000/v1/mcp \
-H "Content-Type: application/json" \
-d '{
"query": "Analyze my application performance over the last 24 hours and identify any bottlenecks",
"system_prompt": "You are a senior SRE. Focus on actionable insights and specific recommendations.",
"max_tool_calls": 5
}'

Incident investigation

curl -X POST http://localhost:8000/v1/task \
-H "Content-Type: application/json" \
-d '{
"query": "Help me investigate the current SEV-2 incidents and provide a summary of what needs immediate attention"
}'


### **Python 集成示例**```python
import requests

# Simple monitoring check
def check_datadog_health():
response = requests.get(
"http://localhost:8000/v1/mcp",
params={"query": "What's the current status of my critical monitors?"}
)
result = response.json()
print(f"🔧 Tools used: {result['tool_calls_made']}")
print(f"📊 Response: {result['response']}")
return result

# Advanced troubleshooting
def investigate_errors(service_name, hours=1):
response = requests.post(
"http://localhost:8000/v1/mcp",
json={
"query": f"Find and analyze error logs for {service_name} service in the last {hours} hours. What patterns do you see?",
"system_prompt": "You are a debugging expert. Focus on error patterns, frequency, and root cause analysis."
}
)
return response.json()

# Get specific incident details
def get_incident_details(incident_id):
response = requests.get(
"http://localhost:8000/v1/mcp",
params={"query": f"Show me detailed information about incident {incident_id}"}
)
return response.json()

# Example usage
health_status = check_datadog_health()
error_analysis = investigate_errors("web-api", 2)

真实响应示例

当你问起时 “我有哪些显示器?”,你会得到:```json
{
"response": "You have 134 monitors in your Datadog environment. Here are some examples:\n- [Synthetics] Web application health checks\n- Fast burn rate alert on SLO: API success rate\n- [Infrastructure] High CPU utilization alerts\n- [APM] Service error rate monitors\n\nWould you like details on specific monitors or alerts?",
"tool_calls_made": 1,
"success": true,
"conversation_history": [
{
"tool_call": {
"name": "search_datadog_monitors",
"arguments": {"max_tokens": 10000},
"result": {"success": true, "result": {...}}
}
}
]
}


### 自定义集成```python
from azure_openai_mcp_agent import AzureOpenAIMCPAgent
from datadog_mcp_client import DatadogMCPClient
from openai import AsyncAzureOpenAI

# Initialize clients
azure_client = AsyncAzureOpenAI(
api_key="your-key",
api_version="2024-07-01-preview",
azure_endpoint="your-endpoint"
)

mcp_client = DatadogMCPClient(
api_key="dd-api-key",
app_key="dd-app-key"
)

# Create agent
agent = AzureOpenAIMCPAgent(
azure_openai_client=azure_client,
datadog_mcp_client=mcp_client
)

# Use the agent
await agent.initialize()
result = await agent.invoke("Show me my infrastructure overview")
await agent.close()

配置

环境变量

变量 · 必填 · 描述
(无对应中文) · (无对应中文) · (无对应中文) · AZURE_OPENAI_API_KEY
是 · Azure OpenAI API密钥 AZURE_OPENAI_ENDPOINT
是 · Azure OpenAI 端点 URL · AZURE_OPENAI_MODEL
编号 · 模型名称(默认:gpt-4) · DD_API_KEY
是 · Datadog API密钥 DD_APP_KEY
是 · Datadog 应用程序密钥 · DD_SITE

· 编号 · Datadog 网站(默认:datadoghq.com)

获取凭证

  1. Azure OpenAI
  2. 在 Azure 门户中创建 Azure OpenAI 资源
  3. 从资源的“密钥和终端节点”部分获取您的API密钥

记下您的终端点URL

  1. 登录到您的Datadog账户
  2. 前往“组织设置”→“API密钥”以创建/查看API密钥

进入组织设置 → 应用程序密钥以创建/查看应用程序密钥

发展```bash

Install test dependencies

pip install pytest pytest-asyncio

Run tests

pytest


### 运行测试```bash
# Run with auto-reload
uvicorn fastapi_server:app --reload --host 0.0.0.0 --port 8000

# Or use the Makefile
make run

开发服务器

代码格式化```bash

Install development dependencies

make install

Format all code

make format

Check formatting

make check

Clean up temporary files

make clean

See all available commands

make help


**这个项目使用了标准的Python格式化工具:**

- `black` 使用的格式化工具:
- `isort` - Python代码格式化工具(每行88个字符)
- `sed` - 导入语句排序器
- `.editorconfig` - 删除尾随空格

## - 编辑器配置以确保格式一致 **🔄(循环/重复)**

### **高级功能**

会话管理```bash
# Start a conversation
curl -X POST http://localhost:8000/v1/conversation \
-H "Content-Type: application/json" \
-d '{
"query": "Show me errors from production in the last hour",
"session_id": null
}'

# Continue the conversation (using returned session_id)
curl -X POST http://localhost:8000/v1/conversation \
-H "Content-Type: application/json" \
-d '{
"query": "What about warnings from the web service?",
"session_id": "anon_12345678"
}'

# Get conversation history
curl http://localhost:8000/v1/conversation/anon_12345678

在多个请求之间保持对话活跃,同时具备上下文感知能力:

  • 特点: ✅ 会话管理
  • - 在多个请求之间保持上下文 ✅ 用户偏好学习
  • - 记住常见的服务和环境 ✅ 智能上下文
  • - 利用对话历史来优化回复 ✅ 自动清理

- 自动终止旧会话

动态工具调用优化 max_tool_calls 自动确定最优方案```python

Simple query - estimates 2-3 tool calls

"What monitors do I have?"

Complex analysis - estimates 5-7 tool calls

"Analyze application performance, identify bottlenecks, and compare with last week"

Multi-part investigation - estimates 8-10 tool calls

"Check incidents, examine logs, and analyze metrics for affected services"


**基于查询复杂度:**

- 成本优化策略: **🎯(目标)** 复杂性分析
- \- 在执行前估算所需工具 **📈 上涨的图表或趋势** 历史学习
- \- 根据过去的成功/失败率进行调整 **🔄(旋转箭头,常表示循环、重复或刷新等意思)** 上下文重用
- \- 在对话中进行后续追问更为高效 **⚡(闪电符号,常用于表示速度、活力、电力或警报等)** 提前终止

### **- 当收集到足够信息时停止**

智能查询增强```bash
# User says: "Show me errors from production in the last hour"
# Enhanced to: "Show me status:error from env:prod in now-1h"

# User says: "Find warnings in the web service recently"
# Enhanced to: "Find status:warn in service:web now-1h"

自动提升查询精度,以更好地兼容Datadog工具:

  • 查询改进: 🎯(目标) 环境映射
  • - “production” → “env:prod” 🔧 (扳手或修理工具的符号,常用于表示需要修理或维护) 服务前缀化
  • - “web service” → “服务:web” ⏰ 时间标准化

- 提供更精确查询的技巧

解决常见问题

1. 保持对话的活力```python

Conversations persist across requests

session_1 = client.start_conversation("What are my alerts?")
session_id = session_1["session_id"]

Context is maintained

session_2 = client.continue_conversation("What about the web service?", session_id)

AI knows you're still talking about alerts and can reference previous context


#### **解决方案:基于会话的对话管理**

**2. 动态与固定最大工具调用次数**```python
# The system now automatically estimates tool calls needed:
{
"estimated_tool_calls": 5,    # What the system thinks it needs
"tool_calls_made": 4,         # What was actually used
"max_tool_calls": null        # Let system decide (recommended)
}

解决方案:自适应工具调用估计

  • 益处: 💰(符号,代表货币或金钱) 成本效益高
  • - 仅使用实际所需的工具 ⚡ 闪电符号,常用于表示速度、活力、电力或警示。在中文语境中,可直接保留为“⚡”或根据上下文意译为“闪电”、“极速”、“活力”等。 性能优化
  • - 避免不必要的通话 🎯(目标/靶心) 抗故障/容错
  • - 如果检测到最近发生故障,则增加限制 📊(表格) 自学

- 随着时间推移,提高估算准确性

3. 查询精确度问题```bash

Before: Imprecise queries often failed

"Find errors in production" # Too vague, might not work

After: Automatically enhanced for precision

"Find status:error env:prod now-1h" # Precise, works reliably


**解决方案:自动查询增强**

- `production` 智能映射: `env:prod`
- `development` → `env:dev`
- `staging` → `env:stage`
- `errors` → `status:error`
- `last hour` → `now-1h`
- `web service` → `service:web`

### **→**```python
# 1. Start conversation with imprecise query
response = requests.post("/v1/conversation", json={
"query": "Show me errors from production in the last hour"
})

# Response includes:
{
"response": "Found 23 error logs from env:prod in the last hour...",
"session_id": "user_abc123",
"estimated_tool_calls": 3,
"tool_calls_made": 2,
"query_enhancements": {
"environment_production": "Mapped 'production' to 'env:prod'",
"time_last_hour": "Mapped 'last hour' to 'now-1h'"
},
"user_preferences": {
"preferred_env": "prod"
}
}

# 2. Follow-up is more efficient (uses learned context)
response2 = requests.post("/v1/conversation", json={
"query": "What about the web service?",
"session_id": "user_abc123"
})

# AI knows:
# - You're still talking about errors
# - Your preferred environment is prod
# - "web service" should be "service:web"
# - Time context from previous query

示例:完整的工作流程

🔍 故障排除

常见问题及解决方案 1.```bash

Check environment variables are set

echo $AZURE_OPENAI_API_KEY $DD_API_KEY $DD_APP_KEY

Test individual components

python test_datadog_mcp.py # Test Datadog connection
python debug_azure_config.py # Test Azure OpenAI connection


#### “代理未初始化” **2.**```bash
# Check your model deployment name
# In Azure OpenAI Studio → Deployments → copy exact "Deployment name"
export AZURE_OPENAI_MODEL="your-exact-deployment-name"

# Verify endpoint format (should end with .openai.azure.com/)
export AZURE_OPENAI_ENDPOINT="https://your-resource.openai.azure.com/"

“DeploymentNotFound”(Azure OpenAI) 3.```bash

Test Datadog credentials

curl -H "DD-API-KEY: $DD_API_KEY" -H "DD-APPLICATION-KEY: $DD_APP_KEY" \
"https://api.datadoghq.com/api/v1/validate"

Test Azure OpenAI credentials

python simple_test.py


#### “HTTP 错误 401/403”(认证问题) **4.**

- “工具调用失败” `https://mcp.datadoghq.com/api/unstable/mcp-server/mcp`
- ✅ 验证Datadog MCP服务器是否可访问:
- 请检查您的Datadog帐户是否具有必要的权限(API访问权限、读取权限)

### **确保您的API/APP密钥处于激活状态且未过期**```bash
# Test Datadog MCP connection
python test_datadog_mcp.py

# Test Azure OpenAI setup
python debug_azure_config.py

# Simple connection test
python simple_test.py

# Run example usage
python example_usage.py

包含调试工具

详细日志记录```
🔧 Executing tool: search_datadog_monitors with args: {'max_tokens': 10000}
✓ Agent initialized with 14 Datadog tools available


### **服务器自动记录工具执行情况:**```bash
curl http://localhost:8000/health
# Should return: {"status":"healthy","agent_initialized":true}

健康检查端点 📊 表格/数据图表

项目概述
组件 · 状态 · 描述
** · (无对应中文) · (无对应中文) · (无对应中文) · **
Azure与OpenAI的集成 ** · ✅ 正常工作 · 支持函数调用的GPT-4,兼容所有Azure OpenAI模型 · **
Datadog MCP 客户端 ** · ✅ 正在运行 · 14款工具,涵盖监控、日志、应用性能管理(APM)、基础设施、事件处理 · **
认证 ✅ 工作中 · 简单的API/APP密钥设置,无需OAuth
FastAPI 服务器 ** · ✅ 正在运行 · 已准备就绪的异步服务器,具备错误处理功能 · **
真实数据访问 ** · ✅ 正常工作 · 已在真实Datadog环境中成功测试 · **
文档 ** · ✅ 完成 · 完整的设置指南、示例和故障排除方法 · **

安全

  • fastapi_server.py · ✅ 已验证 · 无硬编码凭证,正确使用环境变量
  • azure_openai_mcp_agent.py 包含的文件
  • datadog_mcp_client.py - 主FastAPI应用程序服务器
  • example_usage.py - 具备函数调用功能的Azure OpenAI代理
  • debug_azure_config.py - Datadog MCP客户端,使用API/APP密钥认证
  • test_datadog_mcp.py - 全面的使用示例
  • simple_test.py - Azure OpenAI 连接测试
  • requirements.txt - Datadog MCP连接测试
  • .gitignore - 基本连接验证

- 所有Python依赖项

- 凭证的安全保护

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Datadog MCP Azure Openai 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Datadog MCP Azure Openai 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Datadog MCP Azure Openai 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Datadog MCP Azure Openai 需要 API Key 吗?

资料标注需要OAuth 授权认证,使用前准备好对应凭据,并按最小权限配置。

Datadog MCP Azure Openai 能提供哪些能力?

资料显示约 14 个工具;能力标签包括 可观测性、Python、数据分析。具体工具清单以官方文档为准。

Datadog MCP Azure Openai 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Datadog MCP Azure Openai 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。