Skip to main content
Glama
SailingCoder

grafana-mcp-analyzer

by SailingCoder
OverviewSchemaRelated ServersScoreDiscussions
TypeScript
Hybrid

Grafana MCP Analyzer 🤖

Version License

让 AI 直接读懂你的监控数据，成为你的专属智能运维助手！

English | 中文文档

✨ 项目简介

想象一下这样的场景：

  • 您问AI："我的服务器现在怎么样？"

  • AI直接查看您的Grafana监控，回答："CPU使用率偏高，建议检查这几个进程..."

繁杂的监控图表，AI 辅助你一键解读。你无需再逐图筛查，真正实现从 图表到洞察 的闭环分析体验！

Related MCP server: Earthdata MCP Server

🚀 核心特性

Grafana MCP Analyzer 基于 MCP (Model Context Protocol) 协议，赋能Claude、ChatGPT等AI助手具备以下超能力：

  • 自然语言查询 - 轻松访问监控数据，AI 一键输出专业分析

  • 多轮对话支持 - 支持复杂的多轮对话分析，能够基于上下文进行深入分析

  • curl支持 - 直接使用浏览器 copy 的 curl 合成查询

  • 全数据源支持 - Prometheus、MySQL、ES 等通通支持

  • 专业 DevOps 建议 - 不只是展示数据，更提供可执行的优化方案，提升DevOps效率

💡 架构新模式：会话缓存 → 逐步获取数据 → 渐进式深入分析 → 缓存复用，让AI分析更准确、更高效。

🛠️ 快速开始

第一步：极速安装（30秒）

npm install -g grafana-mcp-analyzer

环境要求：Node.js 18+ | 安装指南

第二步：AI 助手集成（30秒）

Cursor设置 → “MCP” → 服务配置（以Cursor为例）:

{ "mcpServers": { "grafana": { "command": "grafana-mcp-analyzer", "env": { "CONFIG_PATH": "https://raw.githubusercontent.com/SailingCoder/grafana-mcp-analyzer/main/config/grafana-config-play.js", "MAX_CHUNK_SIZE": "100" } } } }

注：CONFIG_PATH支持绝对路径、远程路径，推荐使用远程路径快速体验。

第三步：编写配置文件（1分钟）

如需连接自有数据，可在 CONFIG_PATH 路径下创建配置文件：（grafana-config-play.js 示例 👉 点此查看 ）

如果你只想快速体验示例，可跳过此步骤，直接执行第四步。

/** * 基于Grafana Play演示实例的配置文件 * 以下配置文件内容来源：https://raw.githubusercontent.com/SailingCoder/grafana-mcp-analyzer/main/config/grafana-config-play.js * Request 配置方式：支持 http api 和 curl */ const config = { // Grafana服务器地址 baseUrl: 'https://play.grafana.org', // 默认请求头 defaultHeaders: { 'Content-Type': 'application/json', 'Accept': 'application/json, text/plain, */*' }, // 健康检查配置 healthCheck: { url: 'api/health' }, // 查询定义 queries: { // Price Only, Hollow Candles // 使用HTTP API格式 // 数据源：https://play.grafana.org/d/candlestick/candlestick?orgId=1&from=2021-07-13T22:13:30.740Z&to=2021-07-13T22:46:18.921Z&timezone=utc&viewPanel=panel-7 candlestick_priceOnly_hollowCandles: { url: 'api/ds/query', method: 'POST', params: { ds_type: 'grafana-testdata-datasource', requestId: 'SQR279' }, headers: { 'accept': 'application/json, text/plain, */*', 'accept-language': 'zh-CN,zh;q=0.9', 'cache-control': 'no-cache', 'content-type': 'application/json', 'origin': 'https://play.grafana.org', 'pragma': 'no-cache', 'priority': 'u=1, i', 'referer': 'https://play.grafana.org/d/candlestick/candlestick?orgId=1&from=2021-07-13T22:13:30.740Z&to=2021-07-13T22:46:18.921Z&timezone=utc&viewPanel=panel-7', 'sec-ch-ua': '"Not)A;Brand";v="8", "Chromium";v="138", "Google Chrome";v="138"', 'sec-ch-ua-mobile': '?0', 'sec-ch-ua-platform': '"macOS"', 'sec-fetch-dest': 'empty', 'sec-fetch-mode': 'cors', 'sec-fetch-site': 'same-origin', 'traceparent': '00-f0f1243b82acf0e362fd1f836565154a-fc3a173d3190c9df-01', 'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/138.0.0.0 Safari/537.36', 'x-dashboard-title': 'Candlestick', 'x-dashboard-uid': 'candlestick', 'x-datasource-uid': 'PD8C576611E62080A', 'x-grafana-device-id': '49c7d4ecdeee88ab5dde64deffa8ea2e', 'x-grafana-org-id': '1', 'x-panel-id': '7', 'x-panel-plugin-id': 'candlestick', 'x-panel-title': 'Price Only, Hollow Candles', 'x-plugin-id': 'grafana-testdata-datasource' }, data: { queries: [{ csvFileName: "ohlc_dogecoin.csv", refId: "A", scenarioId: "csv_file", datasource: { type: "grafana-testdata-datasource", uid: "PD8C576611E62080A" }, datasourceId: 454, intervalMs: 2000, maxDataPoints: 1180 }], from: "1626214410740", to: "1626216378921" }, systemPrompt: `您是狗狗币K线图分析专家。 **分析重点**： 1. 价格趋势识别 - 识别主要趋势方向(上涨/下跌/横盘) 2. 关键价位分析 - 找出支撑位和阻力位 3. 交易机会评估 - 基于K线形态识别入场时机 4. 风险评估 - 提供风险提示和投资建议 **输出格式**： ## 图表概览 - 时间范围：[具体时间] - 价格范围：[最高价-最低价] - 主要趋势：[上涨/下跌/横盘] ## 技术分析 - 支撑位：[价格水平] - 阻力位：[价格水平] - 关键行为：[重要价格行为] ## 交易建议 - 短期方向：[看涨/看跌/中性] - 关键价位：[关注价位] - 风险提示：[重要提醒]` }, // faro-shop-control-plane - Overall CPU Utilization // 使用 cUrl 格式 // 数据源：https://play.grafana.org/d/cNMLIAFK/cpu-utilization-details-cores?var-interval=$__auto&orgId=1&from=now-3h&to=now&timezone=browser&var-host=faro-shop-control-plane&var-cpu=$__all&viewPanel=panel-22 overall_cpu_utilization: { curl: `curl 'https://play.grafana.org/api/ds/query?ds_type=prometheus&requestId=SQR112' \ -H 'accept: application/json, text/plain, */*' \ -H 'accept-language: zh-CN,zh;q=0.9' \ -H 'cache-control: no-cache' \ -H 'content-type: application/json' \ -b '_ga=GA1.2.1909983567.1753671369; _gid=GA1.2.532774264.1753671369; rl_page_init_referrer=RudderEncrypt%3AU2FsdGVkX1%2B2lASJjXBqxv6%2FOpvlv5ClRT5vw%2BELHuE%3D; rl_page_init_referring_domain=RudderEncrypt%3AU2FsdGVkX19MSXh%2BQbiHW5f9mLAaP3ghy%2FcJZIk9zhI%3D; intercom-id-agpb1wfw=219eac14-cc23-4ca5-aa16-c299fab8c0ab; intercom-session-agpb1wfw=; intercom-device-id-agpb1wfw=fd9a6df6-d6c8-4b40-958b-568fc7f30ae2; rl_group_id=RudderEncrypt%3AU2FsdGVkX196IBi0ppflecKuY9333Hf3E8fCWy4xJNU%3D; rl_group_trait=RudderEncrypt%3AU2FsdGVkX19%2Fc4msmFb6pg0d4rM%2BpLKI9zqEnxxFrPE%3D; rl_anonymous_id=RudderEncrypt%3AU2FsdGVkX186iymdvmvCOhwF2sff5XEHniCdK0idYHYA4P%2BUpg8hnPVqFbQpqF%2Fn5dfeDz3BxORb9hPn8cIvwQ%3D%3D; rl_user_id=RudderEncrypt%3AU2FsdGVkX1%2B7qEm%2BjVUpWQfQIZgdXaAXNAGDqx%2ByBo3qzXCeyxQWfQNHP9CFM4cX; rl_trait=RudderEncrypt%3AU2FsdGVkX19zSSOXFUxzg3KWR6VQOAkavGgxHg9JdbDKn6hPh3%2BBm3nDBP%2F6tM0wl0b6r0f1A2MZ2SeB6p9f%2FeeaUcrUzR%2FQDfqJHZGhOCdpwmOXZVVQncG%2Ff3ITY6GU%2BvGu9sfYHNgcpS5UHphpBA%3D%3D; _ga_Y0HRZEVBCW=GS2.2.s1753671369$o1$g1$t1753671728$j23$l0$h0; rl_session=RudderEncrypt%3AU2FsdGVkX18BkXGTwuY7KtE7Zr6WjpDFDtkvh9%2Btz4dc8BJeXT1%2FrqgdzGnXydN9EMwRRVR%2FQzGVBtyZ%2FNhg27pvhkbqL2QVLD%2F79GRtbxM8qDKCDo4c%2FfokCEdeF8AoiuRXQzPkAC7UEy7g1swC9w%3D%3D' \ -H 'origin: https://play.grafana.org' \ -H 'pragma: no-cache' \ -H 'priority: u=1, i' \ -H 'referer: https://play.grafana.org/d/cNMLIAFK/cpu-utilization-details-cores?var-interval=$__auto&orgId=1&from=now-3h&to=now&timezone=browser&var-host=faro-shop-control-plane&var-cpu=$__all&viewPanel=panel-22&inspect=panel-22&inspectTab=query' \ -H 'sec-ch-ua: "Not)A;Brand";v="8", "Chromium";v="138", "Google Chrome";v="138"' \ -H 'sec-ch-ua-mobile: ?0' \ -H 'sec-ch-ua-platform: "macOS"' \ -H 'sec-fetch-dest: empty' \ -H 'sec-fetch-mode: cors' \ -H 'sec-fetch-site: same-origin' \ -H 'traceparent: 00-fea7a897de47671f57a42d15b26043a5-578babdc8cb152e0-01' \ -H 'user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/138.0.0.0 Safari/537.36' \ -H 'x-dashboard-title: CPU Utilization Details (Cores)' \ -H 'x-dashboard-uid: cNMLIAFK' \ -H 'x-datasource-uid: grafanacloud-prom' \ -H 'x-grafana-device-id: 49c7d4ecdeee88ab5dde64deffa8ea2e' \ -H 'x-grafana-org-id: 1' \ -H 'x-panel-id: 22' \ -H 'x-panel-plugin-id: timeseries' \ -H 'x-panel-title: $host - Overall CPU Utilization' \ -H 'x-plugin-id: prometheus' \ --data-raw $'{"queries":[{"calculatedInterval":"2s","datasource":{"type":"prometheus","uid":"grafanacloud-prom"},"datasourceErrors":{},"errors":{},"expr":"clamp_max((avg by (mode) ( (clamp_max(rate(node_cpu_seconds_total{instance=\\"faro-shop-control-plane\\",mode\u0021=\\"idle\\"}[1m]),1)) or (clamp_max(irate(node_cpu_seconds_total{instance=\\"faro-shop-control-plane\\",mode\u0021=\\"idle\\"}[5m]),1)) )),1)","format":"time_series","hide":false,"interval":"1m","intervalFactor":1,"legendFormat":"{{mode}}","metric":"","refId":"A","step":300,"exemplar":false,"requestId":"22A","utcOffsetSec":28800,"scopes":[],"adhocFilters":[],"datasourceId":171,"intervalMs":60000,"maxDataPoints":1180},{"datasource":{"type":"prometheus","uid":"grafanacloud-prom"},"expr":"clamp_max(max by () (sum by (cpu) ( (clamp_max(rate(node_cpu_seconds_total{instance=\\"faro-shop-control-plane\\",mode\u0021=\\"idle\\",mode\u0021=\\"iowait\\"}[1m]),1)) or (clamp_max(irate(node_cpu_seconds_total{instance=\\"faro-shop-control-plane\\",mode\u0021=\\"idle\\",mode\u0021=\\"iowait\\"}[5m]),1)) )),1)","format":"time_series","hide":false,"interval":"1m","intervalFactor":1,"legendFormat":"Max Core Utilization","refId":"B","exemplar":false,"requestId":"22B","utcOffsetSec":28800,"scopes":[],"adhocFilters":[],"datasourceId":171,"intervalMs":60000,"maxDataPoints":1180}],"from":"1753660994019","to":"1753671794019"}'`, systemPrompt: `您是系统性能分析专家，专注于CPU使用率历史趋势分析。 **数据特点**：这是总体CPU使用率的历史时间序列数据，包含： - **user**: 用户模式CPU使用率 - **system**: 系统模式CPU使用率 - **iowait**: I/O等待时间 - **softirq**: 软件中断 - **Max Core Utilization**: 单核最大使用率 **分析重点**： 1. **历史趋势分析** - 识别CPU使用率的变化趋势和模式 2. **性能瓶颈识别** - 分析哪个CPU模式占用最多资源 3. **峰值分析** - 识别CPU使用率的峰值时间和原因 4. **系统健康评估** - 基于历史数据评估系统整体健康状况 5. **容量规划建议** - 基于趋势预测未来资源需求 **输出要求**： - 提供具体的时间范围和数据统计 - 识别关键的性能指标和异常模式 - 分析不同CPU模式的使用情况 - 给出基于历史数据的优化建议 请提供详细的CPU性能趋势分析报告。` }, } }; module.exports = config;

第四步：开始使用！

修改完配置后，重启 Cursor 即可开始使用：

在这里插入图片描述

⚠️ 注意： 修改 mcp.json 或配置文件后，都需要重启 Cursor。

然后，体验 AI 智能分析：

1、你想了解：狗狗币最近的价格走势怎么样？

对话示例：

👤 你：帮我分析一下candlestick_priceOnly_hollowCandles的数据 🤖 AI：好的，我来获取狗狗币的K线数据并分析... 👤 你：这个分析太简单了，能详细说说支撑位和阻力位吗？ 🤖 AI：基于刚才的数据，我来深入分析技术指标... 👤 你：现在看看candlestick_price_volume数据 🤖 AI：切换到价格成交量数据，分析市场活跃度... 👤 你：candlestick_priceOnly_hollowCandles和candlestick_price_volume这两个数据结合起来看，市场怎么样？ 🤖 AI：综合两个数据源，市场目前...

2、你想了解：系统CPU整体运行状况如何？

对话示例：

👤 您：分析overall_cpu_utilization的数据 🤖 AI：提供CPU分析报告 👤 您：CPU使用率的变化趋势如何？ 🤖 AI：基于刚才的数据，分析CPU使用率变化趋势 👤 您：这个峰值是什么时候出现的？ 🤖 AI：基于我们之前的分析，识别CPU峰值时间 👤 您：需要扩容吗？扩容的成本是多少？ 🤖 AI：基于历史数据，提供扩容建议和成本评估

一句话总结：AI 不再只是“聊天”，现在它也能读懂你的监控图表了。

MCP工具清单

工具

功能

使用场景

analyze_query

查询+AI分析

首次获取数据并分析

analyze_existing_data

基于已有数据分析

多轮对话深入分析

chunk_workflow

分块数据工作流

大数据量自动分块处理

manage_cache

缓存管理

缓存统计、清理和优化

list_queries

查询列表

查看可用数据源

check_health

健康检查

系统状态监控

list_data

数据列表

查看存储的历史数据

server_status

服务器状态

服务器运行信息

说明：系统采用会话缓存管理，支持渐进式分析和多轮对话，比传统的聚合分析更加灵活高效。

工具使用方式

// AI助手会自动选择合适的工具 👤 "分析CPU使用情况" → 🤖 调用 analyze_query 👤 "基于刚才的数据深入分析" → 🤖 调用 analyze_existing_data 👤 "查看缓存状态" → 🤖 调用 manage_cache 👤 "分析大数据量" → 🤖 调用 chunk_workflow // 缓存管理操作 👤 "查看缓存" → 🤖 调用 manage_cache 👤 "删除overall_cpu_utilization缓存" → 🤖 调用 manage_cache 👤 "清空所有缓存" → 🤖 调用 manage_cache

高级配置

以下内容适用于需要自定义数据源或进行更高级使用场景的用户。

方式一：HTTP API（如 candlestick_priceOnly_hollowCandles）

  1. 获取 Data 传参：进入图表 → "Query Inspector" → "JSON"解析 → 拷贝请求体(request)

  2. 获取 Url 和 Headers Token：通过 Network 面板查看请求参数，手动构造 HTTP 配置。

方式二：curl（推荐，适用于所有面板，如overall_cpu_utilization）：

  1. 在Grafana中执行查询

  2. 按F12打开开发者工具 → Network标签页

  3. 找到查询请求 → 右键点击 → Copy as cURL

  4. 将复制的 curl 粘贴至配置文件中即可

"env": { "MAX_CHUNK_SIZE": "100" }

受限于目前市场 AI 模型的上下文处理能力，为提高分析的准确性和效率，系统会自动将大数据量按 100KB 分块处理。

  • 100KB - 保守策略，兼容所有模型

  • 150KB - 平衡策略，推荐设置

  • 200KB - 激进策略，仅限新模型

推荐设置：

  • Claude 3.5 Sonnet / GPT-4 Turbo: MAX_CHUNK_SIZE=150

  • GPT-4 (8K): MAX_CHUNK_SIZE=100

  • Claude 3: MAX_CHUNK_SIZE=200

建议分析的数据最大体积控制在 500KB 以内（可根据模型能力做适当调整），分析效果最佳。您可以通过调整查询的时间范围、数据源等参数来控制总数据量。

{ "mcpServers": { "grafana": { "command": "grafana-mcp-analyzer", "env": { "CONFIG_PATH": "https://raw.githubusercontent.com/SailingCoder/grafana-mcp-analyzer/main/config/grafana-config-play.js", "MAX_CHUNK_SIZE": "100", "DATA_EXPIRY_HOURS": "24", "CONFIG_MAX_AGE": "300", "SESSION_TIMEOUT_HOURS": "24" } } } }

环境变量名

类型

默认值

说明

MAX_CHUNK_SIZE

number

100

单块最大数据体积（KB），影响数据切片大小，可根据AI模型上下文窗口调整

CONFIG_PATH

string

必填

配置文件路径（本地或 HTTPS 远程地址），支持GitHub Raw、云存储等

CONFIG_MAX_AGE

number

300

远程配置文件缓存时间（秒），设为 0 则禁用

DATA_EXPIRY_HOURS

number

24

数据过期时间（小时），避免频繁网络请求，控制缓存自动清理

SESSION_TIMEOUT_HOURS

number

24

会话超时时间（小时），控制会话管理，过期会话会被自动清理

1. 远程路径

支持通过HTTPS URL访问远程配置文件，适用于团队协作和多环境部署：

{ "env": { "CONFIG_PATH": "https://raw.githubusercontent.com/SailingCoder/grafana-mcp-analyzer/main/config/grafana-config-play.js" } }

支持的远程存储：

  • GitHub Raw: https://raw.githubusercontent.com/SailingCoder/grafana-mcp-analyzer/main/config/grafana-config-play.js

  • 阿里云OSS: https://bucket.oss-cn-hangzhou.aliyuncs.com/config.js

  • 腾讯云COS: https://bucket-123.cos.ap-shanghai.myqcloud.com/config.js

  • AWS S3: https://bucket.s3.amazonaws.com/config.js

注意：

2. 本地路径

支持传入本地绝对路径，适用于快速测试分析：

{ "mcpServers": { "grafana": { "command": "grafana-mcp-analyzer", "env": { "CONFIG_PATH": "/Users/your-username/project/grafana-config.js" } } } }
# 显示版本信息 grafana-mcp-analyzer -v grafana-mcp-analyzer --version # 显示帮助信息 grafana-mcp-analyzer -h grafana-mcp-analyzer --help

配置示例

用户问题："我的电商转化率怎么样？如何提升销售额？"

// 电商转化率分析 ecommerce_conversion: { curl: `curl 'api/ds/query' \\ -X POST \\ -H 'Content-Type: application/json' \\ -d '{"queries":[{"refId":"A","expr":"rate(orders_total[5m]) / rate(page_views_total[5m]) * 100","range":{"from":"now-24h","to":"now"}}]}'`, systemPrompt: `您是电商业务分析专家。请分析转化率数据并回答以下关键问题： **核心分析问题**： 1. 当前转化率是多少？与行业标准对比如何？ 2. 转化率在一天中的高峰和低谷时段是什么时候？ 3. 哪些因素可能影响转化率下降？ 4. 具体建议如何提升转化率？预期能带来多少收益？ **输出格式**： - 数据概览：当前转化率数值和趋势 - 问题诊断：识别转化率瓶颈 - 优化建议：3-5个可执行的改进方案 - 收益预测：预期提升效果和ROI 请用通俗易懂的语言，给出可操作的具体建议。` }
// 交易风控分析 finance_risk_analysis: { curl: `curl 'api/ds/query' \\ -X POST \\ -H 'Content-Type: application/json' \\ -d '{"queries":[{"refId":"A","expr":"sum(rate(transaction_amount_total[5m]))","range":{"from":"now-7d","to":"now"}}]}'`, systemPrompt: `您是金融风控专家。请分析交易数据并回答以下关键问题： **核心分析问题**： 1. 当前交易量是否异常？与历史对比如何？ 2. 是否存在可疑的交易模式？ 3. 哪些交易需要重点关注？ 4. 如何优化风控策略？ **输出格式**： - 风险等级：低/中/高风险 - 异常指标：具体异常数据点 - 风险分析：潜在风险原因 - 防护建议：具体风控措施 - 紧急行动：需要立即处理的事项 请用红色标记高风险，黄色标记中风险，绿色标记低风险。` }

用户问题："我的用户活跃度怎么样？如何提高用户留存？"

// 用户活跃度分析 user_engagement: { curl: `curl 'api/ds/query' \\ -X POST \\ -H 'Content-Type: application/json' \\ -d '{"queries":[{"refId":"A","expr":"count(increase(user_sessions_total[1h]))","range":{"from":"now-30d","to":"now"}}]}'`, systemPrompt: `您是用户行为分析专家。请分析用户活跃度数据并回答以下关键问题： **核心分析问题**： 1. 用户活跃度趋势如何？是否在增长？ 2. 用户使用习惯有什么特点？ 3. 哪些用户群体最活跃？ 4. 如何提高用户留存率？ **输出格式**： - 用户画像：活跃用户特征 - 趋势分析：活跃度变化趋势 - 目标用户：最有价值的用户群体 - 留存策略：提高用户粘性的方法 - 预期效果：实施建议后的预期改善 请结合用户生命周期，给出个性化的运营建议。` }

用户问题："我的服务器性能怎么样？需要扩容吗？"

// 服务器性能分析 server_performance: { curl: `curl 'api/ds/query' \\ -X POST \\ -H 'Content-Type: application/json' \\ -d '{"queries":[{ "refId":"A", "expr":"node_cpu_seconds_total{mode=\"user\"} / node_cpu_seconds_total * 100", "range":{"from":"now-2h","to":"now"} }]}'`, systemPrompt: `您是系统性能专家。请分析服务器性能数据并回答以下关键问题： **核心分析问题**： 1. CPU使用率是否正常？是否接近瓶颈？ 2. 内存使用情况如何？是否存在泄漏？ 3. 磁盘I/O是否成为瓶颈？ 4. 是否需要扩容或优化？ **输出格式**： - 性能评分：优秀/良好/一般/差 - 关键指标：CPU、内存、磁盘使用率 - 瓶颈分析：性能问题原因 - 优化建议：具体改进方案 - 告警建议：需要立即关注的问题 请用颜色标记不同严重程度：正常 注意 危险` }

用户问题："我的应用有错误吗？影响用户体验吗？"

// 应用错误分析 app_error_analysis: { url: "api/ds/es/query", method: "POST", data: { es: { index: "app-logs-*", query: { "query": { "bool": { "must": [ {"term": {"level": "ERROR"}}, {"range": {"@timestamp": {"gte": "now-1h"}}} ] } } } } }, systemPrompt: `您是应用监控专家。请分析错误日志并回答以下关键问题： **核心分析问题**： 1. 错误频率如何？是否在增加？ 2. 哪些错误最严重？影响多少用户？ 3. 错误集中在哪些功能模块？ 4. 如何快速修复和预防？ **输出格式**： - 错误等级：严重/中等/轻微 - 错误统计：错误数量、影响用户数 - 错误分类：按模块和类型分类 - 修复建议：具体修复步骤 - 预防措施：避免类似错误的方法 请按严重程度排序，优先处理影响用户最多的错误。` }

常见问题

  • 检查Grafana地址格式：必须包含https://或http://

  • 验证API密钥有效性：确保未过期且有足够权限

  • 测试网络连通性和防火墙设置

  • 完全退出Cursor并重新启动

  • 检查配置文件路径是否正确

  • 确保Node.js版本 ≥ 18

  • 增加timeout设置

  • 检查数据源连接状态

  • 数据量过大时，缩小时间范围

  • 确保使用正确的queryName，不同查询使用不同的名称

  • 系统会自动缓存不同查询的数据，避免混淆

  • 如果遇到数据混淆，可以重新调用analyze_query获取新数据

  • 使用analyze_existing_data进行基于缓存数据的深入分析

  • 系统支持会话隔离，不同会话的数据相互独立

  • 查看缓存统计：使用manage_cache工具查看缓存状态 👤 你：获取缓存 🤖 AI：我来为您获取当前的缓存信息

  • 清理过期缓存：定期清理过期缓存释放存储空间 👤 你：清除所有缓存 🤖 AI：我来尝试清除所有缓存。

  • 缓存性能优化：系统会自动进行智能缓存优化

  • 缓存冲突处理：相同queryName不同配置会自动去重

文章推荐

许可证

MIT 开源协议。详见 LICENSE 文件。

This server cannot be installed

-
security - not tested
A
license - permissive license
-
quality - not tested

How are these scores calculated?

Resources

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/SailingCoder/grafana-mcp-analyzer'

If you have feedback or need assistance with the MCP directory API, please join our Discord server