MCP Log Reviewer

MCPAI代理

提供方 Shirloin

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个自动化监控应用日志、检测错误并创建GitHub项目待办事项的系统,采用MCP协议和AI代理进行智能分析。

一句话选型结论

按资料字段整理

MCP Log Reviewer 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,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AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 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 6 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

AI代理
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6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

日志监控Python本地部署错误检测自动化处理GitHub集成AI代理

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
docker run -i --rm \

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 Docker,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 6 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
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

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 6 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

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。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理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。
  • 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
MCP Log Reviewer当前 6 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
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Shirloin上游标注的维护方 Shirloin
分类AI代理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
鉴权方式无需鉴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 · Docker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

21.3 KB
来自项目仓库与上游目录的原文,未做删改

日志监视器-自动错误检测和积压日志创建

一个全面的系统,可以自动监控应用程序日志、检测错误、分析代码,并使用MCP(模型上下文协议)和AI代理创建GitHub项目积压项。

目录

  • 架构概述
  • 系统流量
  • 图层分解
  • 入门指南
  • 配置指南
  • 用法

架构概述

Log Watcher系统构建在一个分层架构之上,该架构结合了日志聚合、智能分析和自动化任务管理。该系统以连续循环的方式运行,每5分钟监控一次日志,并在检测到错误时自动创建待办事项。

该架构遵循MCP(模型上下文协议)模式,其中:

  • MCP服务器 公开工具/功能
  • MCP客户端 (编排层)连接到多个服务器并协调工具使用
  • LLM代理 使用可用的MCP工具执行智能分析```
    ┌─────────────────────────────────────────────────────────────┐
    │ Application Services │
    │ (Generating logs with service labels) │
    └───────────────────────┬─────────────────────────────────────┘
    │
    ▼
    ┌─────────────────────────────────────────────────────────────┐
    │ Loki │
    │ (Log Aggregation & Storage) │
    │ - External log storage service │
    │ - Provides LogQL query API │
    └───────────────────────┬─────────────────────────────────────┘
    │
    │ HTTP API (LogQL)
    ▼
    ┌─────────────────────────────────────────────────────────────┐
    │ MCP Servers (Tool Providers) │
    │ │
    │ ┌──────────────────────┐ ┌──────────────────────┐ │
    │ │ Loki Pooler │ │ GitHub MCP Server │ │
    │ │ MCP Server │ │ (Official) │ │
    │ │ │ │ │ │
    │ │ Tool: log_query() │ │ Tools: │ │
    │ │ │ │ - search_code() │ │
    │ │ Queries Loki API │ │ - get_file_contents()│ │
    │ │ Returns log data │ │ - list_projects() │ │
    │ │ │ │ - create_issue() │ │
    │ └──────────────────────┘ └──────────────────────┘ │
    └───────────────────────┬─────────────────────────────────────┘
    │
    │ MCP Protocol (stdio)
    ▼
    ┌─────────────────────────────────────────────────────────────┐
    │ Orchestration Layer (MCP Client + LLM Agent) │
    │ │
    │ ┌─────────────────────────────────────────────────────┐ │
    │ │ MCP Client │ │
    │ │ - Connects to multiple MCP servers │ │
    │ │ - Manages tool discovery and execution │ │
    │ │ - Handles communication protocol │ │
    │ └───────────────────────┬─────────────────────────────┘ │
    │ │ │
    │ ┌───────────────────────▼─────────────────────────────┐ │
    │ │ LLM Agent (GPT-5.2) │ │
    │ │ │ │
    │ │ Capabilities: │ │
    │ │ • LLM Review: Analyzes logs, investigates code │ │
    │ │ • Uses log_query() from Loki Pooler MCP Server │ │
    │ │ • Uses GitHub tools from GitHub MCP Server │ │
    │ │ • Creates/updates backlog items │ │
    │ └─────────────────────────────────────────────────────┘ │
    │ │
    │ - Schedules execution (every 5 minutes) │
    │ - Coordinates workflow between tools │
    │ - Makes intelligent decisions │
    └───────────────────────┬─────────────────────────────────────┘
    │
    │ GitHub API
    ▼
    ┌─────────────────────┐
    │ GitHub Project │
    │ Backlog Items │
    │ (Created/Updated) │
    └─────────────────────┘

### 为什么是这种架构?

该架构遵循 **MCP(模型上下文协议)** 模式,它提供了几个关键好处:

1. **关注点分离**:

- 每个MCP服务器都是专门的工具提供商
- 编排层侧重于协调,而不是实施
- 明确日志查询、代码访问和项目管理之间的界限

1. **模块化和可扩展性**:

- 易于添加新的MCP服务器(例如Jira、Slack、监控工具)
- 每个服务器都可以独立开发、部署和更新
- 工具可通过MCP协议发现并自我记录

1. **可重复使用性**:

- Loki Pooler MCP服务器可供其他应用程序使用
- GitHub MCP Server是官方维护的工具
- 无需重新实现GitHub API集成

1. **协议标准化**:

- 所有工具通过MCP协议(stdio)进行通信
- 无论工具实现如何,界面都保持一致
- 易于交换的实现(例如,不同的日志查询服务器)

1. **AI代理灵活性**:

- LLM代理可以发现和使用任何可用的工具
- Agent根据上下文决定使用哪些工具
- 没有硬编码的工作流-代理适应可用功能

**流程说明**:

- **Loki → 洛基普尔MCP服务器**:直接HTTP连接,因为Loki Pooler需要查询Loki的API
- **MCP服务器→ 业务流程层**:MCP协议(stdio),因为这是MCP服务器通信的标准方式
- **业务流程层**:包含MCP客户端(工具路由器)和LLM代理(工具用户),因为它们协同工作-客户端在代理使用工具时管理连接

______________________________________________________________________

## 系统流量

### 高级工作流

1. **日志收集**:应用程序日志持续发送到Loki
1. **预定投票**:系统每5分钟向Loki查询一次最近的错误日志
1. **错误检测**:系统过滤并识别错误条目
1. **代码分析**:AI代理分析代码库以找到根本原因
1. **待办事项列表创建**:自动创建或更新GitHub项目待办事项列表项

### 详细的分步流程```
┌─────────────────────────────────────────────────────────────────┐
│                    SYSTEM EXECUTION CYCLE                       │
└─────────────────────────────────────────────────────────────────┘

1. SCHEDULER TRIGGER (Every 5 minutes)
│
├─> Orchestration Layer starts agent execution
│
2. LOG QUERY PHASE
│
├─> LLM Agent requests log data
│   ├─> MCP Client routes call to Loki Pooler MCP Server
│   ├─> Loki Pooler MCP Server queries Loki API (HTTP)
│   ├─> Filters logs by service name
│   ├─> Retrieves logs from last 5 minutes
│   └─> Returns formatted log data to LLM Agent
│
3. ERROR ANALYSIS PHASE (If errors found)
│
├─> LLM Review Agent receives log data
│   ├─> Analyzes error messages
│   ├─> Extracts stack traces
│   ├─> Identifies error patterns
│   └─> Determines error context
│
4. CODE INVESTIGATION PHASE (If errors found)
│
├─> LLM Agent requests code investigation
│   ├─> MCP Client routes calls to GitHub MCP Server
│   ├─> Agent uses search_code() tool → Finds relevant files
│   ├─> Agent uses get_file_contents() tool → Reads source code
│   ├─> Agent analyzes code to identify file and line numbers
│   └─> Agent extracts code snippets causing errors
│
5. BACKLOG MANAGEMENT PHASE (If errors found)
│
├─> LLM Agent requests backlog management
│   ├─> MCP Client routes calls to GitHub MCP Server
│   ├─> Agent uses list_projects() tool → Finds target project
│   ├─> Agent uses list_issues() tool → Checks for duplicates
│   ├─> Agent uses create_issue() tool → Creates new backlog OR
│   └─> Agent updates existing backlog item if duplicate found
│
6. COMPLETION
│
└─> Wait 5 minutes, then repeat from step 1

图层分解

1.洛基(原木)

目的:集中式日志聚合和存储系统

描述:

  • Loki是一个水平可扩展、高可用的日志聚合系统
  • 从应用程序服务收集日志
  • 存储带有标签的日志(例如。, service, environment, level)
  • 提供用于日志检索的LogQL查询接口

主要特点:

  • 高效的日志存储和索引
  • 基于标签的日志过滤
  • 时间范围查询
  • 高可用性和可扩展性

配置:

  • 需要一个正在运行的Loki实例
  • 服务日志必须标记为 service 标签
  • 可通过HTTP API端点访问

2.MCP服务器(工具提供商)

目的:通过MCP协议公开专用工具/功能

建筑:MCP服务器是公开工具的独立进程。编排层连接到多个MCP服务器以访问其工具。

2.1洛基普尔MCP服务器

目的:作为MCP工具提供日志查询功能

位置: mcp-server-log-query/

组件:

  • log_query.py:查询Loki API的核心函数
  • main.py:FastMCP服务器暴露 log_query 工具

功能:

  • 使用LogQL语法查询Loki
  • 按服务名称筛选日志
  • 检索过去5分钟的日志(可配置)
  • 返回带有日志条目、时间戳和元数据的格式化JSON

MCP工具: log_query()

  • 输入:无(使用环境变量)
  • 输出:带有日志结果的JSON字符串
  • 查询模式: {service=""}
  • 连接:对Loki的直接HTTP API调用

关键文件:```
mcp-server-log-query/
├── log_query.py # Loki query implementation
├── main.py # MCP server with log_query tool
├── Dockerfile # Container build configuration
└── docker-compose.yml # Docker deployment config


#### 2.2 GitHub MCP服务器(官方)

**目的**:提供GitHub存储库和项目管理功能

**描述**:

- GitHub上的官方GitHub MCP服务器
- 展示全面的GitHub API工具
- 处理身份验证和API通信

**使用的关键MCP工具**:

- `search_code()`:搜索存储库代码
- `get_file_contents()`:读取源代码文件
- `list_projects()`:列出GitHub项目
- `create_issue()`:创建待办事项
- `list_issues()`:检查重复项
- 还有更多的GitHub操作

**整合**:

- 通过MCP协议(stdio)连接
- 使用GitHub个人访问令牌进行身份验证
- 作为Docker容器运行

______________________________________________________________________

### 3.编排层(MCP客户端+LLM代理)

**目的**:协调所有MCP工具并管理智能代理工作流程

**位置**: `mcp-client/`

**组件**:

- `mcp_agent.py`:主编排脚本
- `config.json`:MCP服务器配置

**建筑**:
编排层由两个协同工作的主要组件组成:

1. **MCP客户端**:管理与MCP服务器的连接
1. **LLM代理**:使用MCP服务器提供的工具

**MCP客户责任**:

- 从加载MCP服务器配置 `config.json`
- 建立与多个MCP服务器的连接:
- `log`:洛基普尔MCP服务器
- `github`:GitHub MCP服务器(官方)
- 发现每台服务器上的可用工具
- 代表代理执行工具调用
- 处理MCP协议通信(stdio)

**LLM代理人职责**:

- 基于OpenAI的GPT-5.2模型
- 通过提示接收工作流指令
- 对使用哪些工具做出明智的决定
- 分析日志数据和代码
- 协调多步骤工作流程

**工作流执行**:

**步骤1:查询日志**

- 客服电话 `log_query()` 来自Loki Pooler MCP服务器的工具
- MCP客户端将呼叫路由到相应的服务器
- Loki Pooler查询Loki API并返回格式化日志
- 代理接收过去5分钟的错误日志

**步骤2:错误分析** (如果发现错误)

- 代理使用LLM功能分析日志数据
- 提取错误消息、堆栈跟踪和上下文
- 识别错误类型和模式
- 确定错误严重程度和影响

**步骤3:代码调查** (如果发现错误)

- 代理调用GitHub MCP工具(`search_code`, `get_file_contents`)
- MCP客户端将调用路由到GitHub MCP服务器
- 代理接收源代码文件并确定根本原因
- 提取文件路径、行号和代码段

**步骤4:待办事项管理** (如果发现错误)

- 代理调用GitHub MCP工具(`list_projects`, `list_issues`)
- 检查现有积压项目以防止重复
- 使用创建新的待办事项列表项 `create_issue` 工具
- 如果错误仍然存在,则更新现有项目

**调度**:

- 启动后立即运行
- 每5分钟执行一次(可配置)
- 优雅地处理错误并继续运行

**主要特点**:

- 多服务器工具协调
- 智能工作流编排
- 错误处理和日志
- 可配置的执行间隔

______________________________________________________________________

### 4.LLM评审(能力,而不是单独的一层)

**备注**:LLM Review不是一个单独的架构层。这是一个 **能力** 业务流程层中的LLM代理。

**目的**:智能日志分析和代码调查功能

**描述**:

- 这是LLM代理执行的智能分析
- 使用GPT-5.2模型来理解和分析数据
- 决定何时使用哪些工具
- 综合来自多个来源的信息

**能力**:

- 错误模式识别
- 代码上下文理解
- 根本原因分析
- 重复检测逻辑
- 自然语言理解

______________________________________________________________________

### 5.GitHub项目待办列表创建者(功能,而不是单独的层)

**备注**GitHub项目待办列表创建器不是一个单独的架构层。这是一个 **能力** 由GitHub MCP Server工具提供,由LLM代理使用。

**目的**:自动化积压项目创建和管理能力

**描述**:

- 此功能由LLM代理使用GitHub MCP Server工具实现
- 代理智能地决定何时创建/更新待办事项
- 协同使用多个GitHub工具

**工具使用**:

- `list_projects()`:查找目标项目
- `list_issues()`:检查现有项目
- `create_issue()`:创建新的待办事项
- `get_file_contents()`:包括代码引用

**待办事项结构**:

- **标题**:简要错误描述(由代理生成)
- **描述**:错误详细信息、代码片段、文件路径(由代理合成)
- **标签**:自动分类
- **参考文献**:源代码文件和行号的链接

______________________________________________________________________

## 入门指南

### 先决条件

- **码头工人**:用于运行MCP服务器
- **Python 3.12+**:适用于MCP客户端
- **洛基实例**:运行和可访问
- **GitHub账号**:使用个人访问令牌
- **OpenAI API密钥**:LLM代理

### 所需的环境变量

#### 适用于MCP服务器(Loki Pooler)

- `LOKI_URL`:指向您的Loki实例的URL(例如。, `http://localhost:3100`)
- `SERVICE_NAME`:要监视的服务的名称(例如。, `my-app`)

#### 用于MCP客户端(编排)

- `GITHUB_REPOSITORY`:存储库名称(例如。, `my-org/my-repo`)
- `GITHUB_OWNER`:GitHub用户名或组织
- `GITHUB_PROJECT`:积压项目的项目名称
- `GITHUB_PERSONAL_ACCESS_TOKEN`:具有仓库和项目权限的GitHub PAT
- `OPENAI_API_KEY`:LLM的OpenAI API密钥

______________________________________________________________________

## 配置指南

### 步骤1:配置MCP服务器(Loki Pooler)

#### 1.1构建Docker镜像

导航到MCP服务器目录:```bash
cd mcp-server-log-query

构建Docker镜像:```bash
docker build -t mcp-log-query:latest .


或者使用docker compose:```bash
docker-compose build

1.2配置环境变量

创建 .env 文件在 mcp-server-log-query/:```env
LOKI_URL=http://your-loki-instance:3100
SERVICE_NAME=your-service-name


#### 1.3测试MCP服务器

在本地运行服务器进行测试:```bash
docker run -i --rm \
-e LOKI_URL=http://your-loki-instance:3100 \
-e SERVICE_NAME=your-service-name \
mcp-log-query:latest

服务器应启动并等待stdio输入。

1.4推送到容器注册表(可选)

如果使用远程Docker镜像:```bash
docker tag mcp-log-query:latest your-registry/mcp-log-query:latest
docker push your-registry/mcp-log-query:latest


更新 `docker-compose.yml` 或 `config.json` 使用您的图像名称。

______________________________________________________________________

### 步骤2:配置MCP客户端(编排层)

#### 2.1安装依赖项

导航到MCP客户端目录:```bash
cd mcp-client

创建虚拟环境:```bash
python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate


安装所需的软件包:```bash
pip install mcp-use langchain-openai python-dotenv

2.2配置环境变量

创建 .env 文件在 mcp-client/:```env

GitHub Configuration

GITHUB_REPOSITORY=your-org/your-repo
GITHUB_OWNER=your-org
GITHUB_PROJECT=Your Project Name
GITHUB_PERSONAL_ACCESS_TOKEN=ghp_your_token_here

OpenAI Configuration

OPENAI_API_KEY=sk-your-openai-key-here


#### 2.3配置MCP服务器

复制示例配置:```bash
cp config.example.json config.json

编辑 config.json:```json
{
"mcpServers": {
"github": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"-e",
"GITHUB_PERSONAL_ACCESS_TOKEN=${GITHUB_PERSONAL_ACCESS_TOKEN}",
"-e",
"GITHUB_TOOLSETS=all",
"-e",
"GITHUB_TOOLS=all",
"ghcr.io/github/github-mcp-server"
]
},
"log": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"--pull",
"always",
"-e",
"LOKI_URL",
"-e",
"SERVICE_NAME",
"your-registry/mcp-log-query:latest"
],
"env": {
"LOKI_URL": "${LOKI_URL}",
"SERVICE_NAME": "${SERVICE_NAME}"
}
}
}
}


**重要配置说明**:

1. **Docker镜像名称**:替换 `your-registry/mcp-log-query:latest` 使用您的实际图像名称
1. **环境变量**:The `${VARIABLE}` 语法将从您的 `.env` 文件
1. **GitHub 令牌**:确保您的令牌具有以下权限:
- `repo` (完全控制)
- `read:org` (如果使用组织项目)
- `project` (完全控制)

#### 2.4验证配置

通过运行快速检查来测试配置:```python
# test_config.py
import json
import os
from dotenv import load_dotenv

load_dotenv()

with open("config.json", "r") as f:
config = json.load(f)

print("MCP Servers configured:")
for server_name in config["mcpServers"]:
print(f"  - {server_name}")

print("\nEnvironment variables:")
print(f"  GITHUB_REPOSITORY: {os.getenv('GITHUB_REPOSITORY')}")
print(f"  GITHUB_OWNER: {os.getenv('GITHUB_OWNER')}")
print(f"  GITHUB_PROJECT: {os.getenv('GITHUB_PROJECT')}")
print(f"  LOKI_URL: {os.getenv('LOKI_URL')}")
print(f"  SERVICE_NAME: {os.getenv('SERVICE_NAME')}")

用法

运行系统

启动MCP客户端

从 mcp-client/ 目录:```bash
python mcp_agent.py


该系统将:

1. 初始化与两台服务器的MCP连接
1. 启动AI代理
1. 启动后立即运行
1. 继续每5分钟跑步一次

#### 期望输出```
[2024-01-15 10:00:00] Initializing agent...
[2024-01-15 10:00:01] Agent initialized. Starting scheduler. Running every 5 minutes.
Press Ctrl+C to stop.
--------------------------------------------------------------------------------
[2024-01-15 10:00:01] Starting agent run...
[2024-01-15 10:00:05] Agent run completed.
[Agent response with log analysis and backlog creation details]
--------------------------------------------------------------------------------
[2024-01-15 10:05:01] Starting agent run...
...

停止系统

按 Ctrl+C 优雅地停止代理调度程序。


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
MCP Log Reviewer 怎么安装?

在客户端按下面的安装命令接入:docker run -i --rm \。装完在客户端配置里引用同一个包或端点。

MCP Log Reviewer 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。

MCP Log Reviewer 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。

MCP Log Reviewer 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Log Reviewer 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 Python、自动化处理、AI代理。具体工具清单以官方文档为准。

MCP Log Reviewer 需要什么运行环境?

运行时为 Docker;属于本地进程,需要在本机装好运行环境。

MCP Log Reviewer 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。