Monitoring MCP

MCP运维云端

提供方 sandraschi

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude DesktopClaude
查看接入方式

一个基于FastMCP 3.1.0的监控服务器,提供Grafana、Prometheus和Loki生态系统的智能操作,支持DevOps工作流的对话式AI辅助。

一句话选型结论

按资料字段整理

Monitoring MCP 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude Desktop、Claude,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。

分类运维云端 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 5 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

运维云端
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5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

支持客户端

适用场景

监控工具Python本地部署DevOps自动化AI辅助分析日志管理性能监控

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
uvx monitoring-mcp

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 Python,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 5 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
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

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 5 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。
  • 已适配 Claude Desktop、Claude,换客户端不用重新研究配置。
  • 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

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 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
Monitoring MCP当前 5 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
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sandraschi上游标注的维护方 sandraschi
分类运维云端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 · Python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

18.2 KB
来自项目仓库与上游目录的原文,未做删改

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:\<50ms)
> - 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```python

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```python
# Query system CPU usage
await prometheus_monitoring(
operation=&quot;query_metrics&quot;,
query=&quot;100 - (avg by(instance) (irate(node_cpu_seconds_total{mode=&#x27;idle&#x27;}[5m])) * 100)&quot;
)

洛基测井分析```python

Search for error patterns

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


### 跨系统事件分析```python
# Correlate incident data
await cross_system_correlation(
operation=&quot;correlate_incident&quot;,
incident_description=&quot;API response times spiked&quot;
)

健康监测```python

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`:```bash
uvx monitoring-mcp

Claude桌面集成

添加到您的 claude_desktop_config.json:```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)```bash
pip install monitoring-mcp

来源```bash

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:```bash
# 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

变量 描述 默认值
MONITORING_MCP_GRAFANA_URL Grafana服务器URL http://localhost:3000
MONITORING_MCP_PROMETHEUS_URL Prometheus服务器URL http://localhost:9090
MONITORING_MCP_LOKI_URL 洛基服务器URL http://localhost:3100
MONITORING_MCP_REQUEST_TIMEOUT 请求超时(秒) 30
MONITORING_MCP_MAX_RESULTS_LIMIT 每次查询的最大结果数 1000
MONITORING_MCP_ENABLE_SAMPLING 启用智能采样 true

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```bash

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

3.测试连接```python

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
&amp; Panels    rics &amp;   Analysis
Alerts

Cross-System
Correlation Engine

Incident Analysis
Root Cause Detection
Performance Insights
Health Assessment

工具参考

Grafana管理(grafana_management)

操作 说明
list_dashboards 列出所有带有元数据的仪表板
get_dashboard 检索特定仪表板
create_dashboard 创建新仪表板
update_dashboard 修改现有仪表板
delete_dashboard 删除仪表板
search_dashboards 按条件搜索仪表板
list_datasources 列出已配置的数据源
query_datasource 对数据源执行查询
analyze_dashboard 基于人工智能的仪表板分析

普罗米修斯监控(prometheus_monitoring)

操作 说明
query_metrics 执行即时PromQL查询
query_range 执行范围PromQL查询
list_targets 列出抓取目标和状态
get_target_health 检查特定目标健康状况
list_rules 列出警报和记录规则
list_alerts 列出活动警报
analyze_metrics 基于人工智能的指标分析
optimize_queries 查询优化建议

洛基测井(loki_logging)

操作 说明
query_logs 执行即时LogQL查询
query_range 执行范围LogQL查询
tail_logs 流式传输实时日志
analyze_logs 基于AI的日志模式分析
detect_anomalies 识别异常日志模式
search_errors 查找错误消息和异常
trace_requests 跟踪请求跟踪
get_labels 列出可用日志标签

跨系统相关性(cross_system_correlation)

操作 说明
correlate_incident 分析跨系统的事件
find_root_cause 人工智能驱动的根本原因分析
performance_correlation 将绩效与事件联系起来
error_correlation 连接错误模式
health_assessment 综合系统健康
service_dependency_map 映射服务关系

状态监控(monitoring_status)

操作 说明
system_health 整体系统健康检查
connectivity_test 测试系统连接性
configuration_validation 验证配置
performance_metrics 监控系统性能
data_flow_status 检查数据流健康状况
alert_status 监控警报系统

发展

设置开发环境```bash

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```bash
# 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```bash

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

常见问题

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

在客户端按下面的安装命令接入:uvx monitoring-mcp。装完在客户端配置里引用同一个包或端点。

Monitoring MCP 怎么在 Claude Desktop、Claude 里配置?

它的传输方式是stdio · 本地进程,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,配置才会生效。

Monitoring MCP 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。

Monitoring MCP 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。

Monitoring MCP 支持哪些客户端?

资料标注支持 Claude Desktop、Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Monitoring MCP 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 日志管理、Python、Claude、性能监控。具体工具清单以官方文档为准。

Monitoring MCP 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Monitoring MCP 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。