Co robi „Logfire” MCP Server?

Logfire MCP Server to serwer Model Context Protocol (MCP), który pozwala asystentom AI i LLM-om na dostęp, pobieranie i analizę danych telemetrycznych wysyłanych do Logfire przez standard OpenTelemetry. Po podłączeniu swojego projektu Logfire, serwer ten umożliwia narzędziom i agentom opartym o AI wykonywanie zapytań do rozproszonych śladów, analizę wzorców wyjątków oraz uruchamianie własnych zapytań SQL na metrykach i śladach Twojej aplikacji za pomocą API Logfire. Ta integracja umożliwia szybkie rozwiązywanie problemów, obserwowalność i automatyzację typowych zadań analizy telemetrii, zapewniając programistom usprawnione przepływy pracy do debugowania, monitorowania i generowania wglądów bezpośrednio z ich środowisk deweloperskich lub przez agentów wspieranych przez AI.

Lista promptów

W repozytorium nie udokumentowano żadnych szablonów promptów.

Lista zasobów

W repozytorium nie udokumentowano żadnych jawnych zasobów (jako zasoby MCP).

Lista narzędzi

• find_exceptions
  Pobiera liczbę wyjątków ze śladów, pogrupowaną według plików, w określonym przedziale czasu.

• find_exceptions_in_file
  Zapewnia szczegółowe informacje o śladach dotyczących wyjątków występujących w określonym pliku w danym przedziale czasowym.

• arbitrary_query
  Wykonuje własne zapytania SQL na śladach i metrykach OpenTelemetry, umożliwiając elastyczną eksplorację danych.

• get_logfire_records_schema
  Zwraca schemat OpenTelemetry, co pozwala użytkownikom tworzyć bardziej precyzyjne własne zapytania.

Przypadki użycia tego MCP Servera

• Monitorowanie i analiza wyjątków
  Programiści mogą szybko zidentyfikować, które pliki generują najwięcej wyjątków, wychwycić trendy i skoncentrować wysiłki debugowania.

• Analiza przyczyn źródłowych
  Zagłębiając się w szczegóły wyjątków w konkretnym pliku, zespoły mogą szybciej zidentyfikować i rozwiązać krytyczne problemy.

• Własne raportowanie telemetryczne
  Możliwość uruchamiania dowolnych zapytań SQL pozwala zespołom generować niestandardowe raporty i dashboardy dopasowane do ich potrzeb.

• Eksploracja schematu
  Dzięki dostępowi do schematu OpenTelemetry, programiści mogą lepiej zrozumieć dostępne pola danych, by optymalizować własne zapytania i integracje.

Jak to skonfigurować

Windsurf

Brak instrukcji konfiguracji dla Windsurf.

Claude

1. Otwórz ustawienia Claude Desktop.
2. Dodaj nową konfigurację serwera MCP z poniższym JSON-em:

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

3. Zamień "YOUR_TOKEN" na swój rzeczywisty token odczytu Logfire.
4. Zapisz ustawienia i zrestartuj Claude.
5. Zweryfikuj połączenie z MCP, próbując wykonać zapytanie.

Zabezpieczanie kluczy API:
Przechowuj swój token w sekcji env, jak powyżej, aby nie podawać go w argumentach i nie umieszczać w systemie kontroli wersji.

Cursor

1. Upewnij się, że masz zainstalowane uv.
2. Utwórz plik .cursor/mcp.json w katalogu głównym projektu.
3. Dodaj poniższą konfigurację:

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

4. Zamień "YOUR-TOKEN" na swój rzeczywisty token odczytu Logfire.
5. Zapisz plik i zrestartuj Cursor.

Uwaga: Cursor nie obsługuje pola env; użyj argumentu --read-token.

Cline

1. Otwórz lub utwórz plik cline_mcp_settings.json.
2. Dodaj poniższą konfigurację:

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

3. Zamień "YOUR_TOKEN" na swój token odczytu Logfire.
4. Zapisz plik i zrestartuj Cline.
5. Potwierdź, że serwer MCP jest aktywny.

Zabezpieczanie kluczy API:
Tokeny są bezpieczne dzięki polu env w konfiguracji.

Windsurf

Brak instrukcji konfiguracji dla Windsurf.

Jak używać tego MCP w flows

Używanie MCP w FlowHunt

Aby zintegrować serwery MCP z przepływem FlowHunt, zacznij od dodania komponentu MCP do swojego flow i połącz go z agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracyjnej MCP systemu wklej dane swojego serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI może korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjonalnościami. Pamiętaj, by zamienić "logfire" na faktyczną nazwę swojego serwera MCP i podać własny adres URL serwera MCP.

Przegląd

Wsparcie dla roots: ⛔ (Brak dokumentacji)

Wsparcie sampling-u: ⛔ (Brak dokumentacji)

Na podstawie powyższego, Logfire MCP Server to wyspecjalizowany, produkcyjny serwer MCP do obserwowalności, lecz bez dokumentacji dla szablonów promptów, zasobów, roots czy sampling-u. Znakomicie eksponuje ograniczony zestaw narzędzi telemetrycznych i debugujących. Ocena końcowa: 6/10 — znakomity do swojego zastosowania, lecz nie jest pełnym wzorcem referencyjnym MCP.

Wynik MCP