JMeter MCPサーバー

「JMeter」MCPサーバーは何をするもの？

JMeter MCPサーバーは、Model Context Protocol（MCP）サーバーとして設計されており、Apache JMeterとAI駆動ワークフローを橋渡しします。これにより、AIアシスタントや対応クライアントがJMeterテストをプログラム的に実行し、テスト結果を分析し、自動化された開発パイプラインへパフォーマンステストを直接統合できます。JMeterの機能をツールやリソースとして公開することで、開発者はロードテストの自動化、レポート取得、テストアーティファクトとのシームレスなやりとりが可能になります。JMeter MCPサーバーは、GUI/非GUI両方のテスト実行、出力の取得、総合的なパフォーマンスダッシュボードの生成をサポートし、AI強化開発環境におけるパフォーマンスエンジニアリング作業を効率化します。

プロンプト一覧

リポジトリには明確なプロンプトテンプレートは記載されていません。

リソース一覧

• JMeterレポートダッシュボード
  テスト実行後に生成されるJMeterレポートダッシュボードへアクセスします。
• 実行出力
  JMeterテストの出力ログや結果を返します。
• サンプルテストプラン
  サンプルのJMeter .jmxテストプランをテンプレートまたは出発点として提供します。

ツール一覧

• JMeterテスト実行（非GUIモード）
  非GUIモードでJMeterテストを実行し、自動化やCI/CD統合に適しています。
• JMeter起動（GUIモード）
  JMeterアプリケーションをGUIモードで起動し、手動テスト作成やデバッグに利用します。
• JMeterレポート生成
  パフォーマンス結果をまとめたJMeterレポートダッシュボードを生成します。
• テスト結果分析
  出力ログや結果ファイルを解析し、インサイトを抽出します。

このMCPサーバーのユースケース

• 自動パフォーマンステスト
  JMeterテスト実行をAIワークフローやCI/CDパイプラインに統合し、継続的な負荷・パフォーマンステストを実現します。
• パフォーマンス結果分析
  JMeterテスト結果からAIアシスタント経由で迅速な分析と実用的なインサイト取得が可能です。
• オンデマンドテスト実行
  開発者やAIエージェントが新サービスやエンドポイント向けにアドホックでJMeterテストを実行できます。
• QA向けレポート生成
  各テストサイクル後に自動でパフォーマンスダッシュボードを生成・配布し、品質保証レビューに活用します。
• AI駆動テストオーケストレーション
  LLMが複雑なテストシナリオの調整やバッチテスト、JMeter設定のプログラム管理を行うことができます。

セットアップ方法

Windsurf

1. システムにPythonとJMeterがインストールされていることを確認します。
2. jmeter-mcp-serverリポジトリをクローンまたはダウンロードします。
3. Windsurfの設定ファイルを編集し、JMeter MCPサーバーを追加します。
4. mcpServersセクションに以下のJSONスニペットを挿入します:

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

5. 設定を保存してWindsurfを再起動します。
6. サーバーが正常に稼働し、Windsurfからアクセスできることを確認します。

Claude

1. 必要なもの（Python、JMeter）をインストールします。
2. JMeter MCPサーバーをダウンロードし、main.pyが実行可能であることを確認します。
3. Claudeツールの設定を更新してMCPサーバーを追加します。
4. 設定ファイルに以下を追加します:

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

5. Claudeを再起動し、MCPサーバー統合を確認します。

Cursor

1. PythonとJMeterをセットアップします。
2. リポジトリをダウンロードまたはクローンします。
3. Cursorの設定でMCPサーバー設定箇所にアクセスします。
4. 以下を追加します:

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

5. 保存してCursorを再起動します。

Cline

1. PythonとJMeterをインストールします。
2. MCPサーバーファイルを取得し、Python依存パッケージもインストールします。
3. Clineの設定を編集してMCPサーバーを登録します:

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

4. 保存してClineを再起動します。

APIキー保護について:
環境変数を用いることでAPIキー等の機密データを安全に扱えます。例:

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

フロー内でのMCPの利用方法

FlowHuntでMCPを利用する

FlowHuntのワークフローにMCPサーバーを統合するには、まずMCPコンポーネントを追加し、AIエージェントと接続します。

MCPコンポーネントをクリックして設定パネルを開き、システムMCP設定セクションに以下のJSON形式でMCPサーバー情報を入力します:

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

設定後、AIエージェントはこのMCPをツールとして利用でき、すべての機能・リソースにアクセス可能となります。jmeter-mcpはご自身のMCPサーバー名に、URLもご自身のMCPサーバーURLに置き換えてください。

概要

総評

JMeter MCPサーバーは、パフォーマンステスト自動化やAI駆動ワークフローへのJMeter統合を目指すチームに適しています。ドキュメントは各種プラットフォームでのセットアップや機能に触れていますが、明確なプロンプトテンプレートや詳細なサンプリング/ルートサポートは不足しています。パフォーマンスエンジニアリング用途にはリソース・ツール公開が充実しています。

MCPスコア

評価: 6/10
サーバーはMCPの基本機能と明確なセットアップガイドを提供していますが、プロンプトテンプレートやLICENSE、明示的なサンプリング/ルートサポートが不足しており、より本番運用やオープンソース向けにするには改善の余地があります。