JMeter MCP Server

Co dělá “JMeter” MCP Server?

JMeter MCP Server je server Model Context Protocol (MCP) navržený pro propojení Apache JMeter s AI workflowy. Umožňuje AI asistentům a kompatibilním klientům programově spouštět JMeter testy, analyzovat výsledky a integrovat performance testing přímo do automatizovaných vývojových pipeline. Tím, že zpřístupňuje funkce JMeteru jako nástroje a zdroje, umožňuje vývojářům automatizovat zatěžovací testování, získávat reporty a pracovat s testovacími artefakty bez ručního zásahu. JMeter MCP Server podporuje jak GUI, tak non-GUI režim testování, zachytává výstupy a generuje detailní dashboardy výkonu, čímž zjednodušuje performance engineering v moderních AI workflowech.

Seznam promptů

V repozitáři nejsou zdokumentovány žádné explicitní prompt šablony.

Připraveni rozšířit své podnikání?

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

Požádat o demo Přihlásit se

Seznam zdrojů

• JMeter Report Dashboard
  Poskytuje přístup ke generovanému dashboardu JMeter reportu po dokončení testu.
• Výstup spouštění
  Vrací výstupní log či výsledky z běhu JMeter testu.
• Ukázkový testovací plán
  Nabízí ukázkový JMeter .jmx testovací plán jako šablonu nebo výchozí bod.

Seznam nástrojů

• Spustit JMeter test (Non-GUI režim)
  Spustí JMeter test v non-GUI režimu, vhodné pro automatizaci a CI/CD.
• Spustit JMeter (GUI režim)
  Otevře aplikaci JMeter v GUI režimu pro ruční tvorbu nebo ladění testů.
• Vygenerovat JMeter report
  Vytvoří dashboard s výsledky výkonu z běhu JMeter testu.
• Analyzovat výsledky testu
  Parsuje a analyzuje výstupní logy nebo soubory s výsledky pro přehledy.

Přihlaste se k odběru newsletteru

Získejte nejnovější tipy, trendy a nabídky zdarma.

E-mailová adresa

Přihlásit se

Scénáře použití tohoto MCP serveru

• Automatizované testování výkonu
  Integrace spouštění JMeter testů do AI workflowů a CI/CD pipeline pro kontinuální zatěžovací a výkonnostní testy.
• Analýza výsledků výkonu
  Rychlá analýza a získání přehledů z výsledků JMeter testů přímo přes AI asistenty.
• Ad-hoc spouštění testů
  Umožňuje vývojářům nebo AI agentům spouštět jednorázové JMeter testy pro nové služby či endpointy.
• Generování reportů pro QA
  Automaticky vytváří a rozesílá dashboardy výkonu po každém testovacím cyklu pro QA review.
• AI-orchestrace testů
  Umožňuje LLM koordinovat komplexní testovací scénáře, spouštět dávky testů a spravovat konfigurace JMeteru programově.

Jak jej nastavit

Windsurf

1. Ujistěte se, že máte v systému nainstalovaný Python a JMeter.
2. Naklonujte nebo stáhněte repozitář jmeter-mcp-server.
3. Upravte konfigurační soubor Windsurf a přidejte JMeter MCP server.
4. Do sekce mcpServers vložte tento JSON blok:

   {
     "jmeter-mcp": {
       "command": "python",
       "args": ["main.py"]
     }
   }
   

5. Uložte konfiguraci a restartujte Windsurf.
6. Ověřte, že je server spuštěný a přístupný z Windsurf.

Claude

1. Nainstalujte požadované závislosti (Python, JMeter).
2. Stáhněte JMeter MCP server a ověřte, že main.py je spustitelný.
3. Aktualizujte konfiguraci nástrojů Claude, aby zahrnovala MCP server.
4. Přidejte do konfigurace:

   {
     "jmeter-mcp": {
       "command": "python",
       "args": ["main.py"]
     }
   }
   

5. Restartujte Claude a ověřte integraci s MCP serverem.

Cursor

1. Nastavte Python a JMeter.
2. Stáhněte nebo naklonujte repozitář.
3. Otevřete nastavení Cursor a najděte sekci pro konfiguraci MCP serveru.
4. Přidejte:

   {
     "jmeter-mcp": {
       "command": "python",
       "args": ["main.py"]
     }
   }
   

5. Uložte a restartujte Cursor.

Cline

1. Nainstalujte Python a JMeter.
2. Získejte soubory MCP serveru a ujistěte se, že jsou všechny Python závislosti nainstalovány.
3. Upravte konfiguraci Cline a zaregistrujte MCP server:

   {
     "jmeter-mcp": {
       "command": "python",
       "args": ["main.py"]
     }
   }
   

4. Uložte a restartujte Cline.

Poznámka k zabezpečení API klíčů:
Citlivá data jako API klíče můžete předávat přes proměnné prostředí. Příklad:

{
  "jmeter-mcp": {
    "command": "python",
    "args": ["main.py"],
    "env": {
      "JMETER_API_KEY": "${JMETER_API_KEY}"
    },
    "inputs": {
      "api_key": "${JMETER_API_KEY}"
    }
  }
}

Jak použít MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do svého workflow ve FlowHunt začněte přidáním MCP komponenty do flow a propojte ji se svým AI agentem:

Klikněte na MCP komponentu pro otevření panelu konfigurace. V sekci konfigurace systémového MCP zadejte údaje o vašem MCP serveru v tomto JSON formátu:

{
  "jmeter-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po nastavení bude AI agent schopen tento MCP využívat jako nástroj se všemi jeho funkcemi. Nezapomeňte změnit “jmeter-mcp” na skutečný název vašeho MCP serveru a upravit URL na vaši vlastní adresu MCP serveru.

Přehled

Náš názor

JMeter MCP Server je vhodný pro týmy, které chtějí automatizovat testování výkonu a integrovat JMeter do AI workflowů. Dokumentace pokrývá funkce a nastavení pro různé platformy, avšak chybí explicitní prompt šablony a detailní podpora sampling/root. Zpřístupnění nástrojů a zdrojů je robustní pro potřeby performance engineeringu.

MCP skóre

Hodnocení: 6/10
Server poskytuje základní MCP funkcionalitu a jasné instrukce k nastavení, ale postrádá dokumentované prompt šablony, LICENSE a explicitní podporu sampling/roots, což by zvýšilo jeho připravenost pro produkci a open-source.