Logfire MCP Server

Hvad gør “Logfire” MCP Server?

Logfire MCP Server er en Model Context Protocol (MCP) server, der giver AI-assistenter og LLM’er mulighed for at få adgang til, hente og analysere telemetridata sendt til Logfire via OpenTelemetry-standarden. Ved at forbinde dit Logfire-projekt lader denne server AI-drevne værktøjer og agenter forespørge distribuerede spor, inspicere undtagelsesmønstre og køre brugerdefinerede SQL-forespørgsler over din applikations målings- og sporingsdata ved hjælp af Logfire API’erne. Denne integration muliggør hurtig fejlfinding, observabilitet og automatisering af almindelige telemetrianalysetasks og giver udviklere forbedrede arbejdsgange til debugging, overvågning og indsigt direkte fra deres udviklingsmiljøer eller AI-assisterede agenter.

Liste over Prompter

Ingen eksplicitte promptskabeloner er dokumenteret i repository’et.

Liste over Ressourcer

Ingen eksplicitte ressourcer (som MCP-ressourcer) er dokumenteret i repository’et.

Liste over Værktøjer

• find_exceptions
  Henter undtagelsestællinger fra spor, grupperet efter fil, inden for et specificeret tidsvindue.

• find_exceptions_in_file
  Giver detaljeret sporingsinformation om undtagelser, der opstår i en bestemt fil over en given tidsramme.

• arbitrary_query
  Udfører brugerdefinerede SQL-forespørgsler på OpenTelemetry-spor og -målinger, hvilket muliggør fleksibel dataudforskning.

• get_logfire_records_schema
  Returnerer OpenTelemetry-schemaet, så brugere kan udforme mere præcise brugerdefinerede forespørgsler.

Anvendelsestilfælde for denne MCP Server

• Undtagelsesovervågning og analyse
  Udviklere kan hurtigt se, hvilke filer der genererer flest undtagelser, identificere tendenser og fokusere fejlfindingen.

• Grundårsagsanalyse
  Ved at dykke ned i undtagelsesdetaljer i en bestemt fil kan teams accelerere identificeringen og løsningen af kritiske problemer.

• Brugerdefineret telemetrirapportering
  Muligheden for at køre vilkårlige SQL-forespørgsler gør det muligt for teams at generere skræddersyede målingsrapporter og dashboards tilpasset deres unikke behov.

• Schema-udforskning
  Med adgang til OpenTelemetry-schemaet kan udviklere bedre forstå de tilgængelige datafelter for at optimere brugerdefinerede forespørgsler og integrationer.

Sådan sættes det op

Windsurf

Ingen opsætningsvejledning er tilgængelig for Windsurf.

Claude

1. Åbn Claude Desktop-indstillinger.
2. Tilføj en ny MCP-serverkonfiguration med følgende JSON:

   {
     "command": ["uvx"],
     "args": ["logfire-mcp"],
     "type": "stdio",
     "env": {
       "LOGFIRE_READ_TOKEN": "YOUR_TOKEN"
     }
   }
   

3. Erstat "YOUR_TOKEN" med din faktiske Logfire read token.
4. Gem indstillingerne og genstart Claude.
5. Bekræft, at MCP-serveren er forbundet ved at forsøge en forespørgsel.

Sikring af API-nøgler:
Opbevar din token i env-sektionen som ovenfor for at holde den ude af argumenter og kildekontrol.

Cursor

1. Sørg for at du har uv installeret.
2. Opret en .cursor/mcp.json-fil i din projektmappe.
3. Tilføj følgende konfiguration:

   {
     "mcpServers": {
       "logfire": {
         "command": "uvx",
         "args": ["logfire-mcp", "--read-token=YOUR-TOKEN"]
       }
     }
   }
   

4. Erstat "YOUR-TOKEN" med din faktiske Logfire read token.
5. Gem filen og genstart Cursor.

Bemærk: Cursor understøtter ikke env-feltet; brug i stedet --read-token-argumentet.

Cline

1. Åbn eller opret cline_mcp_settings.json.
2. Tilføj følgende:

   {
     "mcpServers": {
       "logfire": {
         "command": "uvx",
         "args": ["logfire-mcp"],
         "env": {
           "LOGFIRE_READ_TOKEN": "YOUR_TOKEN"
         },
         "disabled": false,
         "autoApprove": []
       }
     }
   }
   

3. Erstat "YOUR_TOKEN" med din Logfire read token.
4. Gem filen og genstart Cline.
5. Bekræft, at MCP-serveren er aktiv.

Sikring af API-nøgler:
Tokens holdes sikre via env-feltet i din konfiguration.

Windsurf

Ingen opsætningsvejledning er tilgængelig for Windsurf.

Sådan bruges denne MCP inde i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-arbejdsflow skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsætter du dine MCP-serveroplysninger ved hjælp af dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre "logfire" til det faktiske navn på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

Roots Support: ⛔ (Ikke dokumenteret)

Sampling Support: ⛔ (Ikke dokumenteret)

På baggrund af ovenstående er Logfire MCP Server en fokuseret, produktionsklar MCP-server til observabilitet, men mangler dokumentation for promptskabeloner, ressourcer, rødder eller sampling support. Den udmærker sig ved at udstille et lille sæt værdifulde værktøjer til telemetri og fejlfinding. Endelig vurdering: 6/10 — fremragende til dens anvendelsesområde, men ikke en fuldt udstyret MCP-referenceløsning.

MCP-score