Logfire MCP-server

Vad gör “Logfire” MCP-servern?

Logfire MCP-servern är en Model Context Protocol (MCP)-server som gör det möjligt för AI-assistenter och LLM:er att komma åt, hämta och analysera telemetridata som skickas till Logfire via OpenTelemetry-standarden. Genom att koppla ditt Logfire-projekt kan denna server låta AI-drivna verktyg och agenter fråga ut distribuerade spår, granska undantagsmönster och köra egna SQL-frågor över din applikations mätvärden och spårdata med hjälp av Logfire API:er. Denna integration möjliggör snabb felsökning, observability och automatisering av vanliga telemetrianalyser, vilket ger utvecklare förbättrade arbetsflöden för felsökning, övervakning och insiktsgenerering direkt från deras utvecklingsmiljöer eller AI-assisterade agenter.

Lista över prompts

Inga explicita promptmallar är dokumenterade i arkivet.

Lista över resurser

Inga explicita resurser (som MCP-resurser) är dokumenterade i arkivet.

Lista över verktyg

• find_exceptions
  Hämtar antal undantag från spår, grupperade per fil, inom ett angivet tidsfönster.

• find_exceptions_in_file
  Ger detaljerad spårinformation om undantag som inträffar i en specifik fil över en given tidsperiod.

• arbitrary_query
  Kör egna SQL-frågor på OpenTelemetry-spår och mätvärden, vilket möjliggör flexibel datautforskning.

• get_logfire_records_schema
  Returnerar OpenTelemetry-schemat, vilket gör det möjligt för användare att skapa mer precisa egna frågor.

Användningsfall för denna MCP-server

• Undantagsövervakning och analys
  Utvecklare kan snabbt se vilka filer som genererar flest undantag, identifiera trender och fokusera felsökningen.

• Rotorsaksanalys
  Genom att fördjupa sig i undantagsdetaljer i en viss fil kan team påskynda identifiering och lösning av kritiska problem.

• Egen telemetrirapportering
  Möjligheten att köra egna SQL-frågor gör det möjligt för team att skapa skräddarsydda rapporter och dashboards anpassade efter deras behov.

• Schemautforskning
  Med tillgång till OpenTelemetry-schemat kan utvecklare bättre förstå tillgängliga datafält för att optimera egna frågor och integrationer.

Hur du sätter upp det

Windsurf

Inga installationsanvisningar tillhandahålls för Windsurf.

Claude

1. Öppna Claude Desktop-inställningarna.
2. Lägg till en ny MCP-serverkonfiguration med följande JSON:

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

3. Ersätt "YOUR_TOKEN" med din faktiska Logfire-read token.
4. Spara inställningarna och starta om Claude.
5. Verifiera att MCP-servern är ansluten genom att försöka göra en fråga.

Skydda API-nycklar:
Lagra din token i env-sektionen som ovan för att hålla den borta från argument och versionshantering.

Cursor

1. Se till att du har uv installerat.
2. Skapa en .cursor/mcp.json-fil i din projekts rot.
3. Lägg till följande konfiguration:

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

4. Ersätt "YOUR-TOKEN" med din faktiska Logfire-read token.
5. Spara filen och starta om Cursor.

Obs: Cursor stöder inte env-fältet; använd istället argumentet --read-token.

Cline

1. Öppna eller skapa cline_mcp_settings.json.
2. Lägg till följande:

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

3. Ersätt "YOUR_TOKEN" med din Logfire-read token.
4. Spara filen och starta om Cline.
5. Bekräfta att MCP-servern är aktiv.

Skydda API-nycklar:
Token hålls säker via env-fältet i din konfiguration.

Windsurf

Inga installationsanvisningar tillhandahålls för Windsurf.

Hur du använder denna MCP i flöden

Att använda MCP i FlowHunt

För att integrera MCP-servrar i din FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange dina MCP-serveruppgifter med detta JSON-format:

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

När du har konfigurerat är AI-agenten nu kapabel att använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att byta ut "logfire" till det faktiska namnet på din MCP-server och ersätt URL:en med din egen MCP-server-URL.

Översikt

Roots-stöd: ⛔ (Inte dokumenterat)

Samplingstöd: ⛔ (Inte dokumenterat)

Baserat på ovanstående är Logfire MCP-servern en fokuserad, produktionsklar MCP-server för observability, men saknar dokumentation för promptmallar, resurser, rötter eller samplingstöd. Den utmärker sig genom att exponera ett litet antal värdefulla verktyg för telemetri och felsökning. Slutbetyg: 6/10 — utmärkt för sitt användningsområde, men inte en fullskalig MCP-referensimplementation.

MCP-poäng