Integrace Datadog MCP Serveru

Co dělá “Datadog” MCP Server?

Datadog MCP Server je server Model Context Protocol (MCP) navržený pro propojení AI asistentů a oficiálního API Datadogu. Funguje jako prostředník a umožňuje AI nástrojům a agentům přístup, dotazování a správu monitorovacích dat, dashboardů, metrik, událostí, logů a incidentů z účtů Datadog. Tato integrace dává vývojářům a operátorům možnost automatizovat monitorovací úkony, provádět pokročilé dotazy a přímo interagovat se zdroji Datadogu ve svých AI workflow nebo asistentech. Server podporuje jak Datadog v1, tak v2 API, poskytuje komplexní přístup ke koncovým bodům služeb, vylepšenou správu chyb a možnost specifikovat regionální nebo službě specifické endpointy pro logy a metriky. Celkově zjednodušuje workflow související s observabilitou a správou incidentů tím, že zpřístupňuje možnosti Datadogu v rámci širších AI-driven automatizačních a vývojových prostředí.

Seznam promptů

V dostupné dokumentaci ani kódu nejsou zmíněny žádné explicitní šablony promptů.

Připraveni rozšířit své podnikání?

Začněte svou bezplatnou zkušební verzi ještě dnes a viďte výsledky během několika dní.

Požádat o demo Přihlásit se

Seznam zdrojů

• Monitorovací data — Přístup k datům a konfiguracím monitorů z Datadogu.
• Dashboardy — Načítání a prohlížení definic dashboardů uložených v Datadogu.
• Metriky — Dotazování dostupných metrik a jejich metadat z API Datadogu.
• Události — Vyhledávání a načítání událostí Datadogu v definovaných časových intervalech.
• Logy — Vyhledávání logů s pokročilým filtrováním a řazením z Datadogu.

Seznam nástrojů

V dokumentaci ani zdrojovém kódu serveru není uveden explicitní seznam nástrojů (jako MCP tools). Funkcionality (monitoring, dashboardy atd.) jsou pravděpodobně implementovány jako nástroje, ale nejsou v dokumentaci vyjmenovány jako samostatné MCP nástroje.

Přihlaste se k odběru newsletteru

Získejte nejnovější tipy, trendy a nabídky zdarma.

E-mailová adresa

Přihlásit se

Příklady použití tohoto MCP serveru

• Automatizace monitoringu: Automatizujte získávání a správu konfigurací monitorů, což umožňuje okamžitý přehled a rychlé reakce na změny stavu systému.
• Prozkoumávání dashboardů: Plynule načítejte a prohlížejte definice dashboardů, což usnadňuje AI agentům nebo uživatelům analyzovat, sdílet a aktualizovat monitorovací dashboardy.
• Analýza metrik: Dotazujte a analyzujte širokou škálu metrik a metadat, což podporuje detailní analýzu výkonu, detekci anomálií nebo generování vlastních vizualizací.
• Správa incidentů a událostí: Vyhledávejte a načítejte data o událostech nebo incidentech, což umožňuje AI workflow automatizovat revizi incidentů, eskalovat problémy nebo sumarizovat postmortem analýzy.
• Vyhledávání a filtrování logů: Provádějte pokročilé dotazy na logy s filtrováním a řazením, což usnadňuje řešení problémů v reálném čase a analýzu příčin pomocí AI nástrojů.

Jak jej nastavit

Windsurf

V dokumentaci nejsou uvedeny žádné explicitní instrukce pro nastavení Windsurf.

Claude

1. Ujistěte se, že máte Node.js (v16+) a účet Datadog s API a Application klíči.
2. Nainstalujte balíček globálně nebo použijte npx.
3. Najděte svůj konfigurační soubor claude_desktop_config.json.
4. Přidejte konfiguraci Datadog MCP serveru pod objekt mcpServers:

   {
     "mcpServers": {
       "datadog": {
         "command": "npx",
         "args": [
           "datadog-mcp-server",
           "--apiKey",
           "<YOUR_API_KEY>",
           "--appKey",
           "<YOUR_APP_KEY>",
           "--site",
           "<YOUR_DD_SITE>(např. us5.datadoghq.com)"
         ]
       }
     }
   }
   

5. Uložte soubor a restartujte Claude Desktop, aby se změny projevily.

Pokročilá konfigurace s endpointy specifickými pro službu:

{
  "mcpServers": {
    "datadog": {
      "command": "npx",
      "args": [
        "datadog-mcp-server",
        "--apiKey", "<YOUR_API_KEY>",
        "--appKey", "<YOUR_APP_KEY>",
        "--site", "<YOUR_DD_SITE>",
        "--logsSite", "<YOUR_LOGS_SITE>",
        "--metricsSite", "<YOUR_METRICS_SITE>"
      ]
    }
  }
}

Zabezpečení API klíčů pomocí proměnných prostředí:

{
  "mcpServers": {
    "datadog": {
      "command": "npx",
      "args": [
        "datadog-mcp-server"
      ],
      "env": {
        "DD_API_KEY": "<YOUR_API_KEY>",
        "DD_APP_KEY": "<YOUR_APP_KEY>"
      }
    }
  }
}

Cursor

V dokumentaci nejsou uvedeny žádné explicitní instrukce pro nastavení Cursor.

Cline

V dokumentaci nejsou uvedeny žádné explicitní instrukce pro nastavení Cline.

Jak použít tento MCP ve flow

Použití MCP ve FlowHunt

Chcete-li integrovat MCP servery do workflow ve FlowHunt, začněte přidáním komponenty MCP do vašeho flow a propojením s vaším AI agentem:

Klikněte na komponentu MCP pro otevření konfiguračního panelu. V sekci konfigurace systémového MCP vložte detaily MCP serveru pomocí tohoto JSON formátu:

{
  "datadog": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci může AI agent tento MCP využívat jako nástroj se všemi jeho funkcemi a schopnostmi. Nezapomeňte změnit “datadog” na skutečný název vašeho MCP serveru a nahradit URL adresou vašeho MCP serveru.

Přehled

Podpora Roots: ⛔ (Není zmíněno)

Na základě úplnosti dokumentace, přítomnosti instrukcí pro nastavení Claude a výčtu zdrojů, ale absence prompt šablon, výčtu MCP-nástrojů a podpory Roots/Sampling hodnotíme tento MCP server jako středně vyspělý a připravený pro praktickou integraci do AI workflow.

MCP skóre