[{"_1":2,"_410":-5,"_411":-5},"loaderData",{"_3":4,"_24":25,"_310":311},"root",{"_5":6,"_7":8},"toasts",[],"visitor",{"_9":10,"_11":12},"viewportWidth",1280,"visitorSession",{"_13":14,"_16":17,"_18":-5,"_19":20,"_21":22,"_23":-5},"attributes",[15],"bot","id",26918466,"membership","referenceId","019aa912-820d-70b0-9fc8-81ff154e780f","unreadReleaseNotesCount",2,"userAccount","routes/_public/mcp/servers/~namespace/~slug/_pages/_layout",{"_26":27,"_79":-5,"_80":41,"_29":81,"_228":229,"_309":215},"availableLocales",[28,41,48,55,60,65,72],{"_29":30,"_37":38,"_39":40},"mcpServer",{"_31":32,"_33":34,"_35":36},"description","Ein auf natürlicher Sprache basierendes Serveranalyse- und Überwachungssystem, das Benutzeranfragen zum Serverstatus automatisch verarbeitet und detaillierte Antworten mit Visualisierungen bereitstellt.","displayName","OpenManager Vibe V4 MCP-Server","readme","# OpenManager Vibe V4\n\nOpenManager Vibe V4 ist ein auf natürlicher Sprache basierendes Serveranalyse- und Überwachungssystem. Wenn ein Administrator in einfacher Sprache eine Frage zum Serverstatus stellt, analysiert das System diese automatisch und stellt die Ergebnisse bereit.\n\n## Vertriebslink\n\n* **Frontend** : \n* **Backend-API** : \n\n## Projektstruktur\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## MCP-Verknüpfungsfluss\n\nDas Frontend und der MCP Lite-Server sind wie folgt integriert:\n\n1. **Frontend** : Der Benutzer gibt Fragen zum Serverstatus in natürlicher Sprache ein\n2. **API-Aufruf** : Das Frontend sendet eine Frage und Kontextinformationen an den `/query` -Endpunkt des MCP-Servers.\n3. **Backend-Verarbeitung** : Der MCP-Server ordnet die Frage der Kontextdatei zu und generiert eine entsprechende Antwort.\n4. **Ergebnisse anzeigen** : Die Antwort wird an das Frontend übergeben und dem Benutzer visuell angezeigt.\n\n**In einer Demonstrationsumgebung** :\n\n* Der Großteil der Logik wird auf dem Front-End ausgeführt und es werden virtuelle Daten verwendet.\n* Der MCP-Server erfüllt eine sekundäre Rolle und stellt nur einfache Funktionen zur Verarbeitung natürlicher Sprache bereit.\n* In einer realen Umgebung kann der MCP-Server erweitert werden, um echte Überwachungsdaten mit erweitertem LLM zu verknüpfen.\n\n## Hauptmerkmale\n\n* **Abfragen auf Basis natürlicher Sprache** : Ermöglicht Administratoren, Fragen zum Serverstatus und zu Problemen in alltäglicher Sprache zu stellen\n* **Automatische Analyse** : Das System analysiert die Frage und stellt eine Liste der zugehörigen Server und der Problemursache bereit.\n* **Intuitives Dashboard** : Zeigt den Serverstatus und die Leistungsmetriken visuell an\n* **Detaillierter Bericht** : Erstellen Sie einen Analysebericht, der Ursache und Lösung des Problems enthält.\n* **Datenfilterung** : Möglichkeit zum Filtern nach Zeit, Servertyp und Standort\n\n## Technologie-Stack\n\n### Frontend\n\n* HTML5/CSS3/JavaScript (Vanilla)\n* Bootstrap-UI-Framework\n* Chart.js (Datenvisualisierung)\n* Font Awesome/Bootstrap-Symbole (Symbole)\n\n### Backend\n\n* Node.js\n* Express.js\n* Dateibasiertes Kontextmanagementsystem\n\n## 🏗 Systemarchitektur: Groß angelegter KI-Agent vs. dieses Projekt (MCP-basiert)\n\n### 🧠 Echte LLM-basierte KI-Agentenarchitektur\n\n* **Datenfluss:** Echtzeit-Überwachungsprotokoll → Collector (Kafka/Fluentd usw.) → Analyse-Engine\n* **Verarbeitung natürlicher Sprache:**\n\n * Integration mit LLM-API (OpenAI, Claude usw.)\n * Python/Java-basiertes Backend\n * Enthält erweiterte Funktionen zur Abfrageinterpretation und zum Kontextverständnis\n* **Analyse-Engine:**\n\n * Integration mit Zeitreihen-/Suchmaschinen wie InfluxDB und Elasticsearch\n * Ereignisbasierte Musteranalyse, Alarmauslösung\n* **UI-Integration:**\n\n * Vollständig integriertes Dashboard\n * Konversationsschnittstelle + Lernen des Nutzungsverlaufs\n\n### ⚙️ Dieses Projekt (leichtes MCP-basiertes Demosystem)\n\nDieses Projekt enthält mehrere Ebenen selbst entwickelter „KI-Agent“-Logik, um KI-ähnliche Funktionen ohne die Notwendigkeit eines LLM (Large Language Model) bereitzustellen. Jede Komponente erfüllt eine bestimmte Rolle und arbeitet zusammen, um Benutzern eine intelligente Serveranalyse- und Überwachungserfahrung zu bieten.\n\n* **Frontend:** In reinem HTML/JS erstellt, auf Netlify bereitgestellt. Der Großteil der komplexen KI-Agentenlogik ist hier enthalten.\n* **MCP-Server (Backend):** Basiert auf Node.js, zum Rendern bereitgestellt. Es ist hauptsächlich für einfache Frage-und-Antwort- und statistische Analysefunktionen verantwortlich.\n\n#### Mehrschichtige „LLM-freie KI-Agent“-Komponenten\n\n1. **Einfacher MCP-Server ( `/query` Endpunkt in `mcp-lite-server/server.js` ):**\n\n * **Rolle:** Bietet grundlegende Funktionen zur Abfrage- und Antwortbearbeitung mit Schlüsselwortübereinstimmung basierend auf dem Inhalt von Textdateien im `context/` Ordner.\n * **Funktionsweise:** Reagiert, indem geprüft wird, ob ein Wort in der Abfrage des Benutzers in einer bestimmten Zeile der Kontextdatei enthalten ist.\n * **Einschränkungen:** Einfaches String-Matching kann zu einem schlechten Kontextverständnis führen und irrelevante Informationen zurückgeben.\n\n2. **Backend-KI-Agent ( `mcp-lite-server/ai_agent.js` und `/api/ai/query` Endpunkt):**\n\n * **Rolle:** Erkennen Sie Anomalien durch statistische Analysen (z. B. Z-Score) von Servermetrikdaten und generieren Sie einfache, musterbasierte Antworten in natürlicher Sprache für bestimmte Arten von Fragen.\n * **So funktioniert es:** Analysiert numerische Daten, um statistische Ausreißer zu identifizieren und verwendet vordefinierte Antwortvorlagen.\n * **Einschränkungen:** Reagiert nur auf begrenzte Szenarien und Fragetypen.\n\n3. **Frontend-KI-Prozessor ( `frontend/ai_processor.js` ):**\n\n * **Rolle:** Führen Sie die anspruchsvollste LLM-lose Agentenlogik im aktuellen System aus. Verantwortlich für die Definition detaillierter regelbasierter Problemmuster, die Analyse von Benutzerabfragen in natürlicher Sprache (einfache NLU), die Analyse von Ursachen und das Vorschlagen von Lösungen sowie die Generierung dynamischer Berichtsinhalte.\n * **Funktionsweise:** Analysiert Serverdaten basierend auf in `problemPatterns` definierten Regeln und Bedingungen, identifiziert die Absicht der Benutzerfrage durch `analyzeQuery` und stellt benutzerdefinierte Informationen durch verschiedene `generate...Response` Funktionen bereit.\n * **Funktionen:** Der Großteil der intelligenten Logik ist im Front-End-JavaScript-Code implementiert.\n\n#### Vorteile und Einschränkungen dieses Ansatzes\n\n* **Verdienst:**\n\n * Arbeiten wie KI ohne LLM (niedrige Kosten/hohe Effizienz)\n * Die Antwort kann durch einfaches Hinzufügen von Dokumenten erweitert werden (für einfache MCP-Server)\n * Geringe Einführungs- und Wartungskosten (keine externe LLM-API-Abhängigkeit und -Kosten)\n * Möglichkeit, für bestimmte Domänen optimierte Regeln festzulegen (Serverüberwachung)\n* **Marge:**\n\n * Eingeschränkte Fähigkeit zur Frageinterpretation (kein Kontextverständnis, begrenzte Tiefe des natürlichen Sprachverständnisses)\n * Nicht geeignet für groß angelegte Echtzeitanalysen\n * Die Leistung hängt von der Komplexität der Regeln und Muster ab und es ist schwierig, flexibel auf neue Problemtypen oder Fragen zu reagieren (insbesondere bei Front-End-KI-Prozessoren).\n * Da die Kernlogik im Frontend konzentriert ist, kann es zu Einschränkungen hinsichtlich Skalierbarkeit und Wartbarkeit kommen.\n\n***\n\n## 🤖 Entwicklungsmethode (basierend auf Vibe Coding)\n\nDieses Projekt wurde entwickelt, indem Eingabeaufforderungen in ein GPT-basiertes Tool eingegeben und der Cursor **zur Steuerung der KI-Codierung** verwendet wurde.\n\n### Ablauf der Entwicklungsphase\n\n#### Schritt 1: Erste Planung und Funktionsdefinition (mit GPT)\n\n* Projektstrukturvorschlag\n* Definieren der Rolle des MCP-Servers und der kontextbasierten Antwortmethode\n* Festlegen des Technologie-Stacks und der grundlegenden UI-Ausrichtung\n\n#### Schritt 2: Implementierung von Funktionen und Frontend-Integration (mit Cursor)\n\n* Front-JS-Code-Konfiguration\n* MCP-Anforderungsabrufverarbeitung\n* Markdown-Antwort-Rendering\n\n#### Schritt 3: Erweiterte und dokumentarische Musterantwort (Cursor + GPT-Zusammenarbeit)\n\n* Kontext Erweiterung der Multi-Dokument-Antwortstruktur\n* Entwerfen automatischer Berichtsvorlagen\n* Entwurf und Verzweigungsverarbeitung von Antwortdokumenten nach Fehlerart\n\n***\n\n## 📐 Entwicklungsrichtlinien\n\n### ✅ Benutzeroberfläche und Design\n\n* `index.html` und UI-Stile sollten aktuell bleiben (Beibehaltung von 90 % oder mehr empfohlen)\n* Lassen Sie Änderungen nur insoweit zu, als dass sie den Benutzererlebnisfluss nicht unterbrechen.\n\n### ✅ MCP-Backend\n\n* Die Serverfunktionalität kann durch Erweitern und Hinzufügen von Kontextstrukturen beliebig verbessert werden.\n* Die Kontextdokumentstruktur folgt der textbasierten `.txt` oder `.md`\n* Bei der Erweiterung der API wird eine RESTful-Struktur empfohlen\n\n## Entwicklungsrichtlinien\n\nBitte beachten Sie bei der Arbeit an Ihrem Projekt die folgenden Richtlinien:\n\n### UI und Design (basierend auf Commit ad03d5f)\n\n* **Indexdatei und Benutzeroberfläche** : Das aktuelle UI/UX-Design muss vollständig erhalten bleiben.\n * `index.html` und extern sichtbare Benutzeroberflächenkomponenten sollten mindestens 90 % ihres aktuellen Stils beibehalten.\n * Ändern Sie das Front-End-Design nur, wenn es unbedingt erforderlich ist.\n\n### Backend-Entwicklung\n\n* **Verbesserungen der Backend-Funktionen** : Serverseitige Funktionsverbesserungen und -erweiterungen können fortgesetzt werden.\n * Verbesserte Datenverarbeitungslogik\n * API-Endpunkte hinzufügen und optimieren\n * Arbeiten Sie an der Verbesserung der Leistung und der Skalierbarkeit\n\n## Installieren und ausführen\n\n### Frontend\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### Backend-Server\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## Bereitstellungsumgebung\n\n* **Frontend** : Netlify ( )\n* **Backend** : Render.com ( )\n\n## Zukünftige Entwicklungspläne\n\n1. **KI-Integration** : Echte LLM-Verknüpfung zur Verarbeitung natürlicher Sprache\n2. **Echtzeitdaten** : Integration mit echten Serverüberwachungssystemen (Prometheus, Zabbix usw.)\n3. **Erweiterte Visualisierung** : Diversifizierung von Grafiken und Diagrammen zur Datenanalyse\n4. **Benachrichtigungssystem** : Automatische Benachrichtigung und Berichtsübermittlung im Fehlerfall\n\n## Entwicklerinformationen\n\nDieses Projekt wurde mit Vibe Coding basierend auf verschiedenen KI-Modellen wie Claude, GPT und Gemini entwickelt.\n\n## Lizenz\n\nDieses Projekt wurde für interne Entwicklungszwecke erstellt und es ist keine separate Lizenz dafür angegeben.\n\n## Jüngste Verbesserungen (Release v4.1.0)\n\n### 1. Verbesserung und Konsistenz der leichten NLU-Struktur\n\n* Wir haben sowohl im Frontend als auch im Backend leichte NLU-Architekturen (Natural Language Understanding) implementiert.\n* Trennen Sie Benutzeranfragen konsequent in Absichten und Entitäten.\n* Absichten: CPU\\_STATUS, MEMORY\\_STATUS, DISK\\_STATUS, INCIDENT\\_QUERY, SERVER\\_STATUS usw.\n* Entitäten: Servertyp, Schwellenwert, Zeitbereich, Schweregrad usw.\n\n### 2. Verbesserte Front-End-Back-End-Abfrageverarbeitungslogik\n\n* Mit dem Backend kompatible NLU-Analysefunktion zum Frontend `process_query.js` hinzugefügt.\n* Verbessern Sie die Antwortstruktur der Backend-API, um dem Frontend explizit Absichts- und Entitätsinformationen bereitzustellen.\n* Wir haben die Fehlerbehandlung verbessert, um eine konsistente Fehlerbehandlung über alle API-Endpunkte hinweg sicherzustellen.\n\n### 3. Verbesserte Kontextbehandlung\n\n* Nutzen Sie den Gesprächskontext, um präzisere und kontextbezogenere Antworten auf Folgefragen zu geben.\n* Beispiel: Nachdem Sie eine Frage zu einem bestimmten Server gestellt haben, bewahren Sie den Kontext, indem Sie eine Folgefrage stellen, etwa „Erklären Sie, warum?“\n* Denken Sie an die in früheren Gesprächen erwähnten Metriktypen (CPU, Speicher usw.) und verwenden Sie sie bei Folgefragen.\n\n### 4. Verbesserte Entwicklererfahrung\n\n* Die Frontend-Entwicklung wird durch die Aufrechterhaltung einer konsistenten API-Antwortstruktur einfacher.\n* Zur Verbesserung der Stabilität wurde allen APIs eine Fehlerbehandlungslogik hinzugefügt.\n* Verbesserte Wartbarkeit durch Verbesserung der Backend-Codestruktur.\n\n## Zukünftige Verbesserungspläne\n\n1. Strukturieren der Kontextdatei – Konvertieren Sie den aktuellen textdateibasierten Kontext in das JSON/YAML-Format.\n2. Erweiterte NLU-Funktionen – Erkennung weiterer Absichten und Entitäten hinzugefügt\n3. Verbesserungen der Front-End-Benutzeroberfläche – Kontextabhängige Funktionen visuell darstellen\n4. Backend-Leistungsoptimierung – Verbessern Sie die Leistung bei der Verarbeitung umfangreicher Messdaten","name","German","tag","de-DE",{"_29":42,"_37":46,"_39":47},{"_31":43,"_33":44,"_35":45},"A natural language-based server analysis and monitoring system that automatically processes user queries about server status and provides detailed responses with visualizations.","OpenManager Vibe V4 MCP Server","# OpenManager Vibe V4\n\nOpenManager Vibe V4 is a natural language-based server analysis and monitoring system. When an administrator asks questions about server status in easy language, the system automatically analyzes and provides results.\n\n## Distribution Link\n\n* **Frontend** : \n* **Backend API** : \n\n## Project Structure\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## MCP linkage flow\n\nThe frontend and MCP Lite server are integrated as follows:\n\n1. **Frontend** : User inputs questions about server status in natural language\n2. **API call** : The frontend sends a question and context information to the `/query` endpoint of the MCP server.\n3. **Backend processing** : MCP server matches the question to the context file and generates an appropriate response.\n4. **Display results** : The response is passed to the frontend and displayed visually to the user.\n\n**In a demonstration environment** :\n\n* Most of the logic is executed on the front end and virtual data is used.\n* The MCP server serves a secondary role, providing only simple natural language processing functions.\n* In a real environment, the MCP server can be expanded to link real monitoring data with advanced LLM.\n\n## Key Features\n\n* **Natural language-based queries** : Allows administrators to ask questions about server status and issues in everyday language\n* **Automatic Analysis** : The system analyzes the question and provides a list of related servers and the cause of the problem.\n* **Intuitive dashboard** : Visually displays server status and performance metrics\n* **Detailed Report** : Generate analysis report including cause and solution of the problem.\n* **Data Filtering** : Ability to filter by time, server type, and location\n\n## Technology Stack\n\n### Frontend\n\n* HTML5/CSS3/JavaScript (Vanilla)\n* Bootstrap UI Framework\n* Chart.js (data visualization)\n* Font Awesome/Bootstrap Icons (Icons)\n\n### Backend\n\n* Node.js\n* Express.js\n* File-based context management system\n\n## 🏗 System architecture: Large-scale AI agent vs. this project (MCP-based)\n\n### 🧠 Real LLM-based AI agent architecture\n\n* **Data flow:** Real-time monitoring log → Collector (Kafka/Fluentd, etc.) → Analysis engine\n* **Natural Language Processing:**\n\n * Integration with LLM API (OpenAI, Claude, etc.)\n * Python/Java based backend\n * Includes advanced query interpretation and contextual understanding capabilities\n* **Analysis Engine:**\n\n * Integration with time series/search engines such as InfluxDB and Elasticsearch\n * Event-based pattern analysis, alarm triggering\n* **UI Integration:**\n\n * Fully integrated dashboard\n * Conversational interface + usage history learning\n\n### ⚙️ This project (lightweight MCP-based demo system)\n\nThis project contains several layers of self-developed \"AI agent\" logic to provide AI-like functionality without the need for LLM (Large Language Model). Each component performs a specific role and works together to provide users with an intelligent server analysis and monitoring experience.\n\n* **Frontend:** Built in pure HTML/JS, deployed to Netlify. Most of the complex AI agent logic is contained here.\n* **MCP Server (Backend):** Node.js-based, deployed on Render. Mainly responsible for simple Q\\&A and statistical analysis functions.\n\n#### Multilayer “LLM-Free AI Agent” Components\n\n1. **Simple MCP server ( `/query` endpoint in `mcp-lite-server/server.js` ):**\n\n * **Role:** Provides basic keyword matching query-answering functionality based on the contents of text files in `context/` folder.\n * **How it works:** Responds by checking if a word in the user's query is contained in a specific line in the context file.\n * **Limitations:** Simple string matching can result in poor contextual understanding and may return irrelevant information.\n\n2. **Backend AI agent ( `mcp-lite-server/ai_agent.js` and `/api/ai/query` endpoint):**\n\n * **Role:** Detect anomalies through statistical analysis (e.g. Z-score) on server metrics data and generate simple, pattern-based natural language answers for certain types of questions.\n * **How it works:** Analyzes numerical data to identify statistical outliers and uses predefined response templates.\n * **Limitations:** Only responds to limited scenarios and question types.\n\n3. **Frontend AI Processor ( `frontend/ai_processor.js` ):**\n\n * **Role:** Performs the most sophisticated LLM-less agent logic in the current system. Responsible for defining detailed rule-based problem patterns, analyzing user natural language queries (simple NLU), analyzing causes and suggesting solutions, and generating dynamic report content.\n * **How it works:** Analyzes server data based on rules and conditions defined in `problemPatterns` , identifies the intent of the user's question through `analyzeQuery` , and provides customized information through various `generate...Response` functions.\n * **Features:** Most of the intelligent logic is implemented within the front-end JavaScript code.\n\n#### Advantages and limitations of this approach\n\n* **merit:**\n\n * Work like AI without LLM (low cost/high efficiency)\n * Response can be extended by simply adding documents (for simple MCP servers)\n * Low introduction and maintenance costs (no external LLM API dependency and costs)\n * Possibility to set rules optimized for specific domains (server monitoring)\n* **margin:**\n\n * Limited question interpretation ability (no context understanding, limited depth of natural language understanding)\n * Not suitable for large-scale real-time analysis\n * Performance depends on the sophistication of rules and patterns, and it is difficult to flexibly respond to new problem types or questions (especially front-end AI processors).\n * Because the core logic is concentrated in the front end, there may be limitations in scalability and maintainability.\n\n***\n\n## 🤖 Development method (based on Vibe Coding)\n\nThis project was developed by inputting prompts into a GPT-based tool and using the Cursor **to guide AI coding** .\n\n### Development phase flow\n\n#### Step 1: Initial Planning and Feature Definition (using GPT)\n\n* Project Structure Proposal\n* Defining the role of the MCP server and context-based response method\n* Setting the technology stack and UI basic direction\n\n#### Step 2: Implementing functions and front-end integration (using Cursor)\n\n* Front JS code configuration\n* MCP request fetch processing\n* Markdown response rendering\n\n#### Step 3: Advanced and Document Pattern Response (Cursor + GPT Collaboration)\n\n* context Extending the multi-document response structure\n* Designing automatic report templates\n* Design and branch processing of response documents by type of failure\n\n***\n\n## 📐 Development Guidelines\n\n### ✅ UI & Design\n\n* `index.html` and UI styles should remain current (preservation of 90% or more recommended)\n* Allow changes only to the extent that they do not break the user experience flow.\n\n### ✅ MCP Backend\n\n* Server functionality can be freely improved by expanding and adding context structures.\n* The context document structure follows the text-based `.txt` or `.md`\n* RESTful structure is recommended when extending API\n\n## Development Guidelines\n\nPlease follow these guidelines when working on your project:\n\n### UI and design related (based on commit ad03d5f)\n\n* **Index File and User Interface** : Current UI/UX design must be thoroughly preserved.\n * `index.html` and externally visible user interface components should retain at least 90% of their current styles.\n * Do not modify the front-end design unless absolutely necessary.\n\n### Backend Development\n\n* **Backend feature improvements** : Server-side feature improvements and extensions are free to proceed.\n * Improved data processing logic\n * Add and optimize API endpoints\n * Work to improve performance and enhance scalability\n\n## Install and run\n\n### Frontend\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### Backend Server\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## Deployment Environment\n\n* **Frontend** : Netlify ( )\n* **Backend** : Render.com ( )\n\n## Future development plans\n\n1. **AI Integration** : Real Natural Language Processing LLM Linkage\n2. **Real-time data** : Integration with real server monitoring systems (Prometheus, Zabbix, etc.)\n3. **Expanding Visualization** : Diversifying Data Analysis Graphs and Charts\n4. **Notification System** : Automatic notification and report transmission in case of failure\n\n## Developer Information\n\nThis project was developed using Vibe Coding based on various AI models such as Claude, GPT, and Gemini.\n\n## License\n\nThis project was created for internal development purposes and no separate license is specified for it.\n\n## Recent Improvements (Release v4.1.0)\n\n### 1. Improvement and consistency of lightweight NLU structure\n\n* We implemented lightweight NLU (Natural Language Understanding) architectures on both the frontend and backend.\n* Consistently separate user queries into intents and entities.\n* Intents: CPU\\_STATUS, MEMORY\\_STATUS, DISK\\_STATUS, INCIDENT\\_QUERY, SERVER\\_STATUS, etc.\n* Entities: server\\_type, threshold, time\\_range, severity, etc.\n\n### 2. Improved front-end-back-end query processing logic\n\n* Added NLU analysis function compatible with backend to frontend `process_query.js` .\n* Improve the backend API response structure to explicitly provide intent and entity information to the frontend.\n* We've improved error handling to ensure consistent error handling across all API endpoints.\n\n### 3. Improved context handling\n\n* Leverage conversation context to provide more accurate and contextual responses to follow-up questions.\n* Example: After asking a question about a specific server, keep the context by asking a follow-up question like \"Explain why?\"\n* Remember the metric types (CPU, memory, etc.) mentioned in previous conversations and use them in follow-up questions.\n\n### 4. Improved developer experience\n\n* Frontend development becomes easier by maintaining a consistent API response structure.\n* Added error handling logic to all APIs to improve stability.\n* Improved maintainability by improving the backend code structure.\n\n## Future Improvement Plans\n\n1. Structuring the context file - Convert the current text file-based context to JSON/YAML format.\n2. Enhanced NLU capabilities - Added recognition of more intents and entities\n3. Front-end UI improvements - Visually express context-aware features\n4. Backend Performance Optimization - Improve performance of processing large-scale metrics data","English","en-US",{"_29":49,"_37":53,"_39":54},{"_31":50,"_33":51,"_35":52},"Un sistema de análisis y monitoreo de servidores basado en lenguaje natural que procesa automáticamente las consultas de los usuarios sobre el estado del servidor y proporciona respuestas detalladas con visualizaciones.","Servidor MCP OpenManager Vibe V4","# OpenManager Vibe V4\n\nOpenManager Vibe V4 es un sistema de monitorización y análisis de servidores basado en lenguaje natural. Cuando un administrador hace una pregunta sobre el estado del servidor en un lenguaje sencillo, el sistema la analiza automáticamente y proporciona los resultados.\n\n## Enlace de distribución\n\n* **Interfaz** : \n* **API de backend** : \n\n## Estructura del proyecto\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## Flujo de enlace MCP\n\nEl frontend y el servidor MCP Lite están integrados de la siguiente manera:\n\n1. **Frontend** : El usuario ingresa preguntas sobre el estado del servidor en lenguaje natural\n2. **Llamada API** : el frontend envía una pregunta e información de contexto al punto final `/query` del servidor MCP.\n3. **Procesamiento de backend** : el servidor MCP hace coincidir la pregunta con el archivo de contexto y genera una respuesta adecuada.\n4. **Mostrar resultados** : la respuesta se pasa al frontend y se muestra visualmente al usuario.\n\n**En un entorno de demostración** :\n\n* La mayor parte de la lógica se ejecuta en el frontend y se utilizan datos virtuales.\n* El servidor MCP cumple una función secundaria y proporciona únicamente funciones simples de procesamiento del lenguaje natural.\n* En un entorno real, el servidor MCP se puede ampliar para vincular datos de monitoreo reales con LLM avanzado.\n\n## Características principales\n\n* **Consultas basadas en lenguaje natural** : permite a los administradores hacer preguntas sobre el estado del servidor y problemas en un lenguaje cotidiano.\n* **Análisis automático** : el sistema analiza la pregunta y proporciona una lista de servidores relacionados y la causa del problema.\n* **Panel de control intuitivo** : muestra visualmente el estado del servidor y las métricas de rendimiento.\n* **Informe detallado** : genere un informe de análisis que incluya la causa y la solución del problema.\n* **Filtrado de datos** : capacidad de filtrar por tiempo, tipo de servidor y ubicación\n\n## Pila de tecnología\n\n### Interfaz\n\n* HTML5/CSS3/JavaScript (Vainilla)\n* Marco de interfaz de usuario Bootstrap\n* Chart.js (visualización de datos)\n* Íconos de Font Awesome/Bootstrap (Íconos)\n\n### Backend\n\n* Node.js\n* Express.js\n* Sistema de gestión de contexto basado en archivos\n\n## Arquitectura del sistema: Agente de IA a gran escala frente a este proyecto (basado en MCP)\n\n### Arquitectura de agente de IA basada en LLM real\n\n* **Flujo de datos:** Registro de monitoreo en tiempo real → Recopilador (Kafka/Fluentd, etc.) → Motor de análisis\n* **Procesamiento del lenguaje natural:**\n\n * Integración con API LLM (OpenAI, Claude, etc.)\n * Backend basado en Python/Java\n * Incluye capacidades avanzadas de interpretación de consultas y comprensión contextual.\n* **Motor de análisis:**\n\n * Integración con motores de búsqueda/series temporales como InfluxDB y Elasticsearch\n * Análisis de patrones basado en eventos, activación de alarmas\n* **Integración de UI:**\n\n * Panel de control totalmente integrado\n * Interfaz conversacional + aprendizaje del historial de uso\n\n### ⚙️ Este proyecto (sistema de demostración ligero basado en MCP)\n\nEste proyecto contiene varias capas de lógica de “agente de IA” desarrollada internamente para proporcionar una funcionalidad similar a la de la IA sin la necesidad de LLM (modelo de lenguaje grande). Cada componente desempeña una función específica y trabaja en conjunto para brindar a los usuarios una experiencia de monitoreo y análisis de servidor inteligente.\n\n* **Frontend:** construido en HTML/JS puro, implementado en Netlify. La mayor parte de la lógica compleja del agente de IA está contenida aquí.\n* **Servidor MCP (backend):** basado en Node.js, implementado en Render. Es principalmente responsable de funciones simples de preguntas y respuestas y análisis estadístico.\n\n#### Componentes multicapa de “agente de IA sin LLM”\n\n1. **Servidor MCP simple (punto final de `/query` en `mcp-lite-server/server.js` ):**\n\n * **Rol:** Proporciona una funcionalidad básica de respuesta a consultas de coincidencia de palabras clave en función del contenido de los archivos de texto en `context/` carpeta.\n * **Cómo funciona:** responde verificando si una palabra en la consulta del usuario está contenida en una línea específica en el archivo de contexto.\n * **Limitaciones:** La coincidencia simple de cadenas puede generar una comprensión contextual deficiente y puede devolver información irrelevante.\n\n2. **Agente de IA de backend ( `mcp-lite-server/ai_agent.js` y punto final `/api/ai/query` ):**\n\n * **Función:** Detectar anomalías a través del análisis estadístico (por ejemplo, puntuación Z) en datos de métricas del servidor y generar respuestas en lenguaje natural simples y basadas en patrones para ciertos tipos de preguntas.\n * **Cómo funciona:** analiza datos numéricos para identificar valores estadísticos atípicos y utiliza plantillas de respuesta predefinidas.\n * **Limitaciones:** Solo responde a escenarios y tipos de preguntas limitados.\n\n3. **Procesador de IA de frontend ( `frontend/ai_processor.js` ):**\n\n * **Función:** Ejecutar la lógica de agente sin LLM más sofisticada en el sistema actual. Responsable de definir patrones de problemas detallados basados en reglas, analizar consultas en lenguaje natural del usuario (NLU simple), analizar causas y sugerir soluciones y generar contenido de informes dinámicos.\n * **Cómo funciona:** analiza los datos del servidor según las reglas y condiciones definidas en `problemPatterns` , identifica la intención de la pregunta del usuario a través de `analyzeQuery` y proporciona información personalizada a través de varias funciones `generate...Response` .\n * **Características:** La mayor parte de la lógica inteligente se implementa dentro del código JavaScript del frontend.\n\n#### Ventajas y limitaciones de este enfoque\n\n* **mérito:**\n\n * Trabaje como IA sin LLM (bajo costo/alta eficiencia)\n * La respuesta se puede ampliar simplemente agregando documentos (para servidores MCP simples)\n * Bajos costos de introducción y mantenimiento (sin dependencia ni costos de API LLM externas)\n * Posibilidad de establecer reglas optimizadas para dominios específicos (monitoreo de servidores)\n* **margen:**\n\n * Capacidad limitada de interpretación de preguntas (sin comprensión del contexto, profundidad limitada de comprensión del lenguaje natural)\n * No es adecuado para análisis en tiempo real a gran escala\n * El rendimiento depende de la sofisticación de las reglas y patrones, y es difícil responder con flexibilidad a nuevos tipos de problemas o preguntas (especialmente en los procesadores de IA front-end).\n * Debido a que la lógica central se concentra en el frontend, puede haber limitaciones en la escalabilidad y el mantenimiento.\n\n***\n\n## 🤖 Método de desarrollo (basado en Vibe Coding)\n\nEste proyecto se desarrolló ingresando indicaciones en una herramienta basada en GPT y usando el Cursor **para guiar la codificación de IA** .\n\n### Flujo de la fase de desarrollo\n\n#### Paso 1: Planificación inicial y definición de funciones (mediante GPT)\n\n* Propuesta de Estructura del Proyecto\n* Definición de la función del servidor MCP y del método de respuesta basado en el contexto\n* Establecer la pila de tecnología y la dirección básica de la interfaz de usuario\n\n#### Paso 2: Implementación de funciones e integración front-end (usando Cursor)\n\n* Configuración del código JS frontal\n* Procesamiento de búsqueda de solicitudes MCP\n* Representación de la respuesta de Markdown\n\n#### Paso 3: Respuesta de patrón avanzado y de documento (colaboración de cursor + GPT)\n\n* Contexto Ampliación de la estructura de respuesta multidocumento\n* Diseño de plantillas de informes automáticos\n* Diseño y procesamiento de documentos de respuesta por tipo de fallo\n\n***\n\n## 📐 Directrices de desarrollo\n\n### ✅ UI y diseño\n\n* Los estilos `index.html` y UI deben permanecer en su estado actual (se recomienda conservar el 90 % o más)\n* Permitir cambios sólo en la medida en que no interrumpan el flujo de la experiencia del usuario.\n\n### ✅ MCP Backend\n\n* La funcionalidad del servidor se puede mejorar libremente ampliando y agregando estructuras de contexto.\n* La estructura del documento de contexto sigue el formato de texto `.txt` o `.md`\n* Se recomienda la estructura RESTful al ampliar la API\n\n## Directrices de desarrollo\n\nSiga estas pautas cuando trabaje en su proyecto:\n\n### Relacionado con la interfaz de usuario y el diseño (basado en la confirmación ad03d5f)\n\n* **Archivos de índice e interfaz de usuario** : el diseño UI/UX actual debe conservarse minuciosamente.\n * `index.html` y los componentes de interfaz de usuario visibles externamente deben conservar al menos el 90% de sus estilos actuales.\n * No modifique el diseño frontal a menos que sea absolutamente necesario.\n\n### Desarrollo backend\n\n* **Mejoras de las funciones del backend** : las mejoras y extensiones de las funciones del lado del servidor se pueden realizar de forma gratuita.\n * Lógica de procesamiento de datos mejorada\n * Agregar y optimizar puntos finales de API\n * Trabajar para mejorar el rendimiento y mejorar la escalabilidad\n\n## Instalar y ejecutar\n\n### Interfaz\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### Servidor backend\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## Entorno de implementación\n\n* **Interfaz** : Netlify ( )\n* **Backend** : Render.com ( )\n\n## Planes de desarrollo futuros\n\n1. **Integración de IA** : Vinculación LLM de procesamiento del lenguaje natural real\n2. **Datos en tiempo real** : Integración con sistemas de monitorización de servidores reales (Prometheus, Zabbix, etc.)\n3. **Ampliación de la visualización** : diversificación de gráficos y tablas de análisis de datos\n4. **Sistema de Notificación** : Notificación automática y transmisión de informes en caso de fallo.\n\n## Información para desarrolladores\n\nEste proyecto se desarrolló utilizando Vibe Coding basado en varios modelos de IA como Claude, GPT y Gemini.\n\n## Licencia\n\nEste proyecto fue creado para fines de desarrollo interno y no se especifica ninguna licencia separada para él.\n\n## Mejoras recientes (versión v4.1.0)\n\n### 1. Mejora y consistencia de la estructura ligera de NLU\n\n* Implementamos arquitecturas NLU (comprensión del lenguaje natural) livianas tanto en el frontend como en el backend.\n* Separe consistentemente las consultas de usuario en intenciones y entidades.\n* Intenciones: ESTADO\\_CPU, ESTADO\\_MEMORIA, ESTADO\\_DISCO, CONSULTA\\_INCIDENTE, ESTADO\\_SERVIDOR, etc.\n* Entidades: tipo\\_de\\_servidor, umbral, rango\\_de\\_tiempo, severidad, etc.\n\n### 2. Lógica de procesamiento de consultas front-end-back-end mejorada\n\n* Se agregó la función de análisis NLU compatible con el backend al frontend `process_query.js` .\n* Mejorar la estructura de respuesta de la API de backend para proporcionar explícitamente información de intención y entidad al frontend.\n* Hemos mejorado el manejo de errores para garantizar un manejo de errores consistente en todos los puntos finales de API.\n\n### 3. Manejo mejorado del contexto\n\n* Aproveche el contexto de la conversación para proporcionar respuestas más precisas y contextualizadas a las preguntas de seguimiento.\n* Ejemplo: después de hacer una pregunta sobre un servidor específico, mantenga el contexto haciendo una pregunta de seguimiento como \"¿Explique por qué?\"\n* Recuerde los tipos de métricas (CPU, memoria, etc.) mencionados en conversaciones anteriores y utilícelos en preguntas de seguimiento.\n\n### 4. Experiencia de desarrollador mejorada\n\n* El desarrollo de frontend se vuelve más fácil al mantener una estructura de respuesta de API consistente.\n* Se agregó lógica de manejo de errores a todas las API para mejorar la estabilidad.\n* Se mejoró la capacidad de mantenimiento al mejorar la estructura del código backend.\n\n## Planes de mejora futuros\n\n1. Estructurar el archivo de contexto: convertir el contexto actual basado en el archivo de texto al formato JSON/YAML.\n2. Capacidades de NLU mejoradas: se agregó reconocimiento de más intenciones y entidades\n3. Mejoras en la interfaz de usuario del frontend: exprese visualmente funciones sensibles al contexto\n4. Optimización del rendimiento del backend: mejore el rendimiento del procesamiento de datos de métricas a gran escala","Spanish","es-ES",{"_29":56,"_37":58,"_39":59},{"_31":43,"_33":44,"_35":57},"# OpenManager Vibe V4\n\nOpenManager Vibe V4は、自然言語ベースのサーバー分析および監視システムです。管理者が簡単な言語でサーバーの状態を尋ねると、システムは自動的に分析して結果を提供します。\n\n## 配布リンク\n\n* **フロントエンド**： \n* **バックエンドAPI** ： \n\n## プロジェクト構造\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## MCPインターロックフロー\n\nフロントエンドとMCP Liteサーバーは次のように連動します。\n\n1. **フロントエンド**：ユーザーが自然言語でサーバーの状態について質問を入力する\n2. **API呼び出し**：フロントエンドが質問とコンテキスト情報をMCPサーバーの`/query`エンドポイントに送信する\n3. **バックエンド処理**: MCP サーバーが質問をコンテキストファイルと照合して適切な応答を生成する\n4. **結果の表示**：応答がフロントエンドに渡され、ユーザーに視覚的に表示\n\n**デモンストレーション環境では**：\n\n* フロントエンドでほとんどのロジックが実行され、仮想データの使用\n* MCPサーバーは、補助的な役割で単純な自然言語処理機能のみを提供\n* 実際の環境では、MCPサーバーが実際の監視データと高度なLLMを連携する構造に拡張可能\n\n## 主な機能\n\n* **自然言語ベースのクエリ**：管理者が日常言語でサーバーの状態と問題を質問する\n* **自動分析**: システムが質問を分析し、関連サーバーのリストと問題の原因を提供\n* **直感的なダッシュボード**：サーバーの状態とパフォーマンス指標を視覚的に表示する\n* **詳細レポート**：問題の原因と解決策を含む分析レポートの生成\n* **データフィルタリング**:時間、サーバーの種類、場所によるフィルタリング機能\n\n## 技術スタック\n\n### フロントエンド\n\n* HTML5/CSS3/JavaScript (バニラ)\n* ブートストラップUIフレームワーク\n* Chart.js(データ可視化)\n* Font Awesome/Bootstrap Icons (アイコン)\n\n### バックエンド\n\n* Node.js\n* Express.js\n* ファイルベースのコンテキスト管理システム\n\n## 🏗システム構造：大規模AIエージェント対本プロジェクト（MCPベース）\n\n### 🧠実際のLLMベースのAIエージェント構造\n\n* **データフロー：リアルタイム**モニタリングログ→コレクタ（Kafka / Fluentdなど）→分析エンジン\n* **自然言語処理：**\n\n * LLM API（OpenAI、Claudeなど）連動\n * Python/Javaベースのバックエンド\n * 高度なクエリ解析とコンテキスト理解機能を含む\n* **分析エンジン：**\n\n * InfluxDB、Elasticsearchなどの時系列/検索エンジンと連動\n * イベントベースのパターン分析、アラームトリガ\n* **UI統合：**\n\n * ダッシュボードの完全統合\n * インタラクティブインターフェース+使用履歴学習\n\n### ⚙️本プロジェクト(軽量化MCPベースデモシステム)\n\nこのプロジェクトには、LLM（巨大言語モデル）なしでAIと同様の機能を提供するために、複数層の独自開発の「AIエージェント」ロジックが含まれています。各コンポーネントは特定の役割を果たし、連携してユーザーにインテリジェントなサーバー分析と監視体験を提供しようとします。\n\n* \\*\\*フロントエンド：\\*\\*純粋なHTML / JSで構築、Netlifyに配布。ほとんどの複雑なAIエージェントロジックがここに含まれています。\n* **MCPサーバー（バックエンド）：** Node.jsに基づいて、Renderに展開。主に簡単なクエリ応答と統計ベースの分析機能を担当します。\n\n#### 多層「LLMレスAIエージェント」コンポーネント\n\n1. **単純な MCP サーバー ( `mcp-lite-server/server.js`の`/query`エンドポイント):**\n\n * **役割：** `context/`フォルダ内のテキストファイルの内容に基づいて、基本的なキーワードマッチングクエリ応答機能を提供します。\n * \\*\\*動作方法：\\*\\*ユーザーのクエリ内の単語がコンテキストファイルの特定の行に含まれていることを確認して応答します。\n * \\*\\*限界点：\\*\\*単純な文字列マッチングは文脈の理解が不足し、無関係な情報を返す可能性があります。\n\n2. **バックエンドAIエージェント（ `mcp-lite-server/ai_agent.js`および`/api/ai/query`エンドポイント）：**\n\n * \\*\\*役割：\\*\\*サーバーメトリックデータの統計的分析（Z-scoreなど）を介して異常の兆候を検出し、いくつかの特定の質問タイプに対するパターンベースの単純な自然言語の回答を生成します。\n * \\*\\*動作方法：\\*\\*数値データを分析して統計的異常値を識別し、事前定義された応答テンプレートを使用します。\n * \\*\\*限界点：\\*\\*限られたシナリオと質問タイプにのみ対応可能。\n\n3. **フロントエンド AI プロセッサ ( `frontend/ai_processor.js` ):**\n\n * \\*\\*役割：\\*\\*現在のシステムで最も洗練されたLLMのないエージェントロジックを実行します。詳細なルールベースの問題パターンの定義、ユーザーの自然言語クエリ分析（簡単なNLU）、原因分析と解決策の提案、動的レポートコンテンツの生成などを担当します。\n * **動作方法：** `problemPatterns`で定義されている規則と条件に基づいてサーバーデータを分析し、 `analyzeQuery`を介してユーザーの質問の意図を特定し、さまざまな`generate...Response`関数を使用してカスタマイズされた情報を提供します。\n * \\*\\*特徴：\\*\\*ほとんどのインテリジェントロジックはフロントエンドJavaScriptコード内に実装されています。\n\n#### このアプローチの利点と限界\n\n* **利点：**\n\n * LLMなしでAIのように動作する（低コスト/高効率）\n * ドキュメントだけを追加すると応答を拡張できます（単純なMCPサーバーの場合）\n * 導入とメンテナンスコストが低い（外部LLM API依存性とコストなし）\n * 特定ドメイン（サーバー監視）に最適化されたルール設定可能\n* **限界：**\n\n * 質問解釈能力が制限的(文脈理解X、自然言語理解の深さが制限的)\n * 大容量リアルタイム分析には不適\n * ルールとパターンの精巧さによってパフォーマンスが左右され、新しい問題の種類や質問に柔軟に対処するのが難しい（特にフロントエンドAIプロセッサ）\n * フロントエンドにコアロジックが集中しており、スケーラビリティとメンテナンス性に制約がある可能性があります。\n\n***\n\n## 🤖開発方式(Vibe Codingベース)\n\nこのプロジェクトはGPTベースのツールにプロンプトを入力し、Cursorを介して**AIコーディング指示**方法で開発されました。\n\n### 開発段階別フロー\n\n#### ステップ1：初期計画と機能の定義（GPTを使用）\n\n* プロジェクト構造提案\n* MCPサーバーの役割、コンテキストベースの応答方式の定義\n* 技術スタックとUIの基本方向の設定\n\n#### ステップ2：機能の実装とフロントインターロック（Cursorを使用）\n\n* フロントJSコードの設定\n* MCP 要求 fetch 処理\n* マークダウンレスポンスレンダリング\n\n#### ステップ3：高度化と文書パターンの対応（Cursor + GPTコラボレーション）\n\n* context マルチドキュメント対応構造の拡張\n* 自動レポートテンプレートの設計\n* 障害タイプ別対応文書の設計と分岐処理\n\n***\n\n## 📐開発ガイドライン\n\n### ✅ UIとデザイン\n\n* `index.html`とUIスタイルは現在の状態を維持する（90％以上の保存を推奨）\n* ユーザーエクスペリエンスフローを損なわない範囲内でのみ変更を許可する\n\n### ✅ MCP バックエンド\n\n* サーバー機能の拡張とコンテキスト構造の追加は自由に改善可能\n* context ドキュメント構造は、テキストベースの`.txt`または`.md`に従う\n* API 拡張時に RESTful 構造を推奨\n\n## 開発ガイドライン\n\nプロジェクトを作業するときは、次のガイドラインに従ってください。\n\n### UIとデザイン関連(Commit ad03d5f基準)\n\n* **インデックスファイルとユーザーインターフェイス**：現在のUI / UXデザインは徹底的に保存する必要があります。\n * `index.html`および外部で表されるユーザーインターフェースコンポーネントは、現在のスタイルを90％以上維持する必要があります。\n * やむを得ない場合は、フロントエンドのデザインを変更しないでください。\n\n### バックエンド開発\n\n* **バックエンド機能の改善**：サーバー側の機能の改善と拡張は自由に進行可能です。\n * データ処理ロジックの改善\n * API エンドポイントの追加と最適化\n * パフォーマンスの向上とスケーラビリティの強化作業\n\n## インストールと実行\n\n### フロントエンド\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### バックエンドサーバー\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## 展開環境\n\n* **フロントエンド**：Netlify（）\n* **バックエンド**：Render.com（）\n\n## 今後の開発計画\n\n1. **AI統合**:実際の自然言語処理LLM連動\n2. **リアルタイムデータ**：実サーバー監視システム（Prometheus、Zabbixなど）と連動\n3. **可視化**拡張: データ分析グラフとチャートの多様化\n4. **通知システム**：障害が発生した場合の自動通知とレポート送信\n\n## 開発者情報\n\nこのプロジェクトは、Claude、GPT、Geminiなど、さまざまなAIモデルベースのVibe Coding方式で開発されました。\n\n## ライセンス\n\nこのプロジェクトは内部開発用に作成され、関連するライセンスは別途記載されていません。\n\n## 最近の改善点 (Release v4.1.0)\n\n### 1.軽量NLU構造の改善と一貫性\n\n* フロントエンドとバックエンドの両方に軽量NLU（Natural Language Understanding）構造を実装しました。\n* ユーザーのクエリをインテント（意図）とエンティティ（オブジェクト）に一貫して分離して処理します。\n* インテント：CPU\\_STATUS、MEMORY\\_STATUS、DISK\\_STATUS、INCIDENT\\_QUERY、SERVER\\_STATUSなど\n* エンティティ：server\\_type、threshold、time\\_range、severityなど\n\n### 2. フロントエンド-バックエンドクエリ処理ロジックの改善\n\n* フロントエンド`process_query.js`にバックエンドと互換性のあるNLU分析機能を追加しました。\n* バックエンドAPIレスポンス構造を改善し、インテントとエンティティ情報を明示的にフロントエンドに提供します。\n* エラー処理を強化し、すべてのAPIエンドポイントに一貫したエラー処理を適用しました。\n\n### 3. コンテキスト処理方式の改善\n\n* 会話のコンテキストを活用して、後続の質問に対してより正確でコンテキストに応じた応答を提供します。\n* 例：特定のサーバーに関する質問の後、「なぜそれを説明してください」などの後続の質問にコンテキストを維持します。\n* 前の会話で述べたメトリックタイプ（CPU、メモリなど）を覚えて、後続の質問に使用します。\n\n### 4. 開発者体験の改善\n\n* APIレスポンス構造を一貫して維持することで、フロントエンドの開発が容易になりました。\n* すべてのAPIにエラー処理ロジックを追加して信頼性を向上させました。\n* バックエンドコード構造を改善することでメンテナンス性が向上しました。\n\n## 今後の改善計画\n\n1. コンテキストファイルの構造化 - 現在のテキストファイルベースのコンテキストをJSON / YAML形式に変更する\n2. NLU機能の強化 - より多様なインテントとエンティティ認識の追加\n3. フロントエンドUIの改善 - コンテキスト認識機能を視覚的に表現\n4. バックエンドのパフォーマンスの最適化 - 大規模メトリックデータ処理のパフォーマンスの向上","Japanese","ja-JP",{"_29":61,"_37":63,"_39":64},{"_31":43,"_33":44,"_35":62},"# OpenManager Vibe V4\n\nOpenManager Vibe V4는 자연어 기반 서버 분석 및 모니터링 시스템입니다. 관리자가 쉬운 언어로 서버 상태를 질문하면 시스템이 자동으로 분석하여 결과를 제공합니다.\n\n## 배포 링크\n\n- **프론트엔드**: [https://openvibe3.netlify.app](https://openvibe3.netlify.app)\n- **백엔드 API**: [https://openmanager-vibe-v4.onrender.com](https://openmanager-vibe-v4.onrender.com)\n\n## 프로젝트 구조\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## MCP 연동 흐름\n\n프론트엔드와 MCP Lite 서버는 다음과 같이 연동됩니다:\n\n1. **프론트엔드**: 사용자가 자연어로 서버 상태에 관해 질문 입력\n2. **API 호출**: 프론트엔드가 질문과 컨텍스트 정보를 MCP 서버의 `/query` 엔드포인트로 전송\n3. **백엔드 처리**: MCP 서버가 질문을 컨텍스트 파일과 매칭하여 적절한 응답 생성\n4. **결과 표시**: 응답이 프론트엔드로 전달되어 사용자에게 시각적으로 표시\n\n**시연 환경에서는**:\n- 프론트엔드에서 대부분의 로직이 실행되며 가상 데이터 사용\n- MCP 서버는 보조적인 역할로 단순한 자연어 처리 기능만 제공\n- 실제 환경에서는 MCP 서버가 실제 모니터링 데이터와 고급 LLM을 연동하는 구조로 확장 가능\n\n## 주요 기능\n\n- **자연어 기반 질의**: 관리자가 일상 언어로 서버 상태 및 문제점을 질문\n- **자동 분석**: 시스템이 질문을 분석하여 관련 서버 목록 및 문제 원인 제공\n- **직관적 대시보드**: 서버 상태 및 성능 지표를 시각적으로 표시\n- **상세 보고서**: 문제 원인과 해결책이 포함된 분석 보고서 생성\n- **데이터 필터링**: 시간, 서버 유형, 위치별 필터링 기능\n\n## 기술 스택\n\n### 프론트엔드\n- HTML5/CSS3/JavaScript (바닐라)\n- 부트스트랩 UI 프레임워크\n- Chart.js (데이터 시각화)\n- Font Awesome/Bootstrap Icons (아이콘)\n\n### 백엔드\n- Node.js\n- Express.js\n- 파일 기반 컨텍스트 관리 시스템\n\n## 🏗 시스템 구조: 대규모 AI 에이전트 vs 본 프로젝트 (MCP 기반)\n\n### 🧠 실제 LLM 기반 AI 에이전트 구조 \n\n- **데이터 흐름:** 실시간 모니터링 로그 → 수집기(Kafka/Fluentd 등) → 분석 엔진\n- **자연어 처리:** \n - LLM API (OpenAI, Claude 등) 연동\n - Python/Java 기반 백엔드\n - 고도화된 쿼리 해석 및 문맥 이해 기능 포함\n- **분석 엔진:** \n - InfluxDB, Elasticsearch 등 시계열/검색엔진과 연동\n - 이벤트 기반 패턴 분석, 알람 트리거링\n- **UI 통합:** \n - 대시보드 완전 통합\n - 대화형 인터페이스 + 사용 기록 학습\n\n### ⚙️ 본 프로젝트 (경량화 MCP 기반 데모 시스템)\n\n- **프론트엔드:** 순수 HTML/JS로 구축, Netlify에 배포\n- **MCP 서버:** Node.js 기반 문서 검색 서버, Render에 배포\n- **문서 기반 질의응답:** context 폴더 내 `.txt` 문서로 응답 패턴 관리\n- **데이터 분석:** 브라우저에서 직접 필터링 및 보고서 생성\n- **장점:**\n - LLM 없이도 AI처럼 작동 (저비용/고효율)\n - 문서만 추가하면 응답 확장 가능\n - 도입과 유지비용 낮음\n- **한계:**\n - 질문 해석 능력이 제한적 (문맥 이해 X)\n - 대용량 실시간 분석에는 부적합\n\n---\n\n## 🤖 개발 방식 (Vibe Coding 기반)\n\n본 프로젝트는 GPT 기반 도구에 프롬프트를 입력하고, Cursor를 통해 **AI 코딩 지시** 방식으로 개발되었습니다.\n\n### 개발 단계별 흐름\n\n#### 1단계: 초기 기획 및 기능 정의 (GPT 사용)\n- 프로젝트 구조 제안\n- MCP 서버의 역할, context 기반 응답 방식 정의\n- 기술 스택 및 UI 기본 방향 설정\n\n#### 2단계: 기능 구현 및 프론트 연동 (Cursor 사용)\n- 프론트 JS 코드 구성\n- MCP 요청 fetch 처리\n- 마크다운 응답 렌더링\n\n#### 3단계: 고도화 및 문서 패턴 대응 (Cursor + GPT 협업)\n- context 다중 문서 대응 구조 확장\n- 자동 보고서 템플릿 설계\n- 장애 유형별 대응 문서 설계 및 분기 처리\n\n---\n\n## 📐 개발 가이드라인\n\n### ✅ UI 및 디자인\n- `index.html`과 UI 스타일은 현재 상태를 유지 (90% 이상 보존 권장)\n- 사용자 경험 흐름을 해치지 않는 범위 내에서만 변경 허용\n\n### ✅ MCP 백엔드\n- 서버 기능 확장 및 context 구조 추가는 자유롭게 개선 가능\n- context 문서 구조는 텍스트 기반 `.txt` 또는 `.md`를 따름\n- API 확장 시 RESTful 구조 권장\n## 개발 가이드라인\n\n프로젝트 작업 시 다음 가이드라인을 준수하십시오:\n\n### UI 및 디자인 관련 (Commit ad03d5f 기준)\n- **인덱스 파일 및 사용자 인터페이스**: 현재 UI/UX 디자인은 철저히 보존해야 합니다. \n - `index.html` 및 외부로 표현되는 사용자 인터페이스 구성요소는 현재 스타일을 90% 이상 유지해야 합니다.\n - 부득이한 경우가 아니면 프론트엔드 디자인을 수정하지 마십시오.\n\n### 백엔드 개발\n- **백엔드 기능 개선**: 서버 측 기능 개선 및 확장은 자유롭게 진행 가능합니다.\n - 데이터 처리 로직 개선\n - API 엔드포인트 추가 및 최적화\n - 성능 개선 및 확장성 강화 작업\n\n## 설치 및 실행\n\n### 프론트엔드\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### 백엔드 서버\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## 배포 환경\n\n- **프론트엔드**: Netlify (https://openvibe3.netlify.app)\n- **백엔드**: Render.com (https://openmanager-vibe-v4.onrender.com)\n\n## 향후 개발 계획\n\n1. **AI 통합**: 실제 자연어 처리 LLM 연동\n2. **실시간 데이터**: 실제 서버 모니터링 시스템(Prometheus, Zabbix 등)과 연동\n3. **시각화 확장**: 데이터 분석 그래프 및 차트 다양화\n4. **알림 시스템**: 장애 발생 시 자동 알림 및 보고서 전송\n\n## 개발자 정보\n\n본 프로젝트는 Claude, GPT, Gemini 등 다양한 AI 모델 기반의 Vibe Coding 방식을 통해 개발되었습니다.\n\n## 라이센스\n\n이 프로젝트는 내부 개발용으로 작성되었으며, 관련 라이센스는 별도로 명시하지 않았습니다. ","Korean","ko-KR",{"_29":66,"_37":70,"_39":71},{"_31":67,"_33":68,"_35":69},"Система анализа и мониторинга сервера на основе естественного языка, которая автоматически обрабатывает запросы пользователей о состоянии сервера и предоставляет подробные ответы с визуализацией.","OpenManager Vibe V4 MCP-сервер","# OpenManager Vibe V4\n\nOpenManager Vibe V4 — это система аналитики и мониторинга сервера на основе естественного языка. Когда администратор задает вопрос о состоянии сервера простым языком, система автоматически анализирует его и выдает результаты.\n\n## Ссылка на распространение\n\n* **Фронтенд** : \n* **API бэкэнда** : \n\n## Структура проекта\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## Поток связи MCP\n\nИнтерфейс и сервер MCP Lite интегрированы следующим образом:\n\n1. **Фронтенд** : Пользователь вводит вопросы о состоянии сервера на естественном языке.\n2. **Вызов API** : Фронтенд отправляет вопрос и контекстную информацию в конечную точку `/query` сервера MCP.\n3. **Внутренняя обработка** : сервер MCP сопоставляет вопрос с файлом контекста и генерирует соответствующий ответ.\n4. **Отображение результатов** : ответ передается на интерфейс и отображается визуально для пользователя.\n\n**В демонстрационной среде** :\n\n* Большая часть логики выполняется на внешнем интерфейсе, и используются виртуальные данные.\n* Сервер MCP выполняет второстепенную роль, предоставляя только простые функции обработки естественного языка.\n* В реальной среде сервер MCP можно расширить для связи реальных данных мониторинга с расширенным LLM.\n\n## Основные характеристики\n\n* **Запросы на естественном языке** : позволяет администраторам задавать вопросы о состоянии сервера и проблемах на повседневном языке.\n* **Автоматический анализ** : система анализирует вопрос и предоставляет список связанных серверов и причину проблемы.\n* **Интуитивно понятная панель управления** : визуально отображает состояние сервера и показатели производительности.\n* **Подробный отчет** : создание аналитического отчета, включая причину и решение проблемы.\n* **Фильтрация данных** : возможность фильтрации по времени, типу сервера и местоположению.\n\n## Технологический стек\n\n### Внешний интерфейс\n\n* HTML5/CSS3/JavaScript (ванильный)\n* Фреймворк пользовательского интерфейса Bootstrap\n* Chart.js (визуализация данных)\n* Font Awesome/Иконки Bootstrap (Иконки)\n\n### Бэкэнд\n\n* Node.js\n* Express.js\n* Система управления контекстом на основе файлов\n\n## 🏗 Архитектура системы: Крупномасштабный агент ИИ против этого проекта (на основе MCP)\n\n### 🧠 Реальная архитектура агента ИИ на основе LLM\n\n* **Поток данных:** Журнал мониторинга в реальном времени → Коллектор (Kafka/Fluentd и т. д.) → Механизм анализа\n* **Обработка естественного языка:**\n\n * Интеграция с LLM API (OpenAI, Claude и т. д.)\n * Бэкэнд на основе Python/Java\n * Включает расширенные возможности интерпретации запросов и понимания контекста\n* **Механизм анализа:**\n\n * Интеграция с временными рядами/поисковыми системами, такими как InfluxDB и Elasticsearch\n * Анализ шаблонов на основе событий, срабатывание сигнализации\n* **Интеграция пользовательского интерфейса:**\n\n * Полностью интегрированная панель управления\n * Разговорный интерфейс + изучение истории использования\n\n### ⚙️ Этот проект (легкая демонстрационная система на базе MCP)\n\nЭтот проект содержит несколько уровней самостоятельно разработанной логики «ИИ-агента», обеспечивающей функциональность, подобную ИИ, без необходимости использования LLM (большой языковой модели). Каждый компонент выполняет определенную роль и работает вместе, пытаясь предоставить пользователям интеллектуальный серверный анализ и мониторинг.\n\n* **Фронтенд:** создан на чистом HTML/JS, развернут в Netlify. Большая часть сложной логики агента ИИ содержится здесь.\n* **Сервер MCP (бэкэнд):** на базе Node.js, развернут для рендеринга. Он в основном отвечает за простые функции вопросов и ответов и статистического анализа.\n\n#### Многослойные компоненты «LLM-Free AI Agent»\n\n1. **Простой сервер MCP (конечная точка `/query` в `mcp-lite-server/server.js` ):**\n\n * **Роль:** Обеспечивает базовую функциональность поиска и ответа на запросы по ключевым словам на основе содержимого текстовых файлов в папке `context/` .\n * **Как это работает:** отвечает, проверяя, содержится ли слово в запросе пользователя в определенной строке в файле контекста.\n * **Ограничения:** Простое сопоставление строк может привести к плохому пониманию контекста и возврату нерелевантной информации.\n\n2. **Внутренний агент ИИ (конечная точка `mcp-lite-server/ai_agent.js` и `/api/ai/query` ):**\n\n * **Роль:** обнаружение аномалий посредством статистического анализа (например, Z-оценки) данных показателей сервера и генерация простых, основанных на шаблонах ответов на естественном языке для определенных типов вопросов.\n * **Как это работает:** анализирует числовые данные для выявления статистических выбросов и использует предопределенные шаблоны ответов.\n * **Ограничения:** отвечает только на ограниченное количество сценариев и типов вопросов.\n\n3. **Фронтенд-процессор ИИ ( `frontend/ai_processor.js` ):**\n\n * **Роль:** Реализовать самую сложную логику агента без LLM в текущей системе. Отвечает за определение подробных шаблонов проблем на основе правил, анализ запросов пользователей на естественном языке (простой NLU), анализ причин и предложение решений, а также создание динамического содержимого отчетов.\n * **Как это работает:** анализирует данные сервера на основе правил и условий, определенных в `problemPatterns` , определяет цель вопроса пользователя с помощью `analyzeQuery` и предоставляет настраиваемую информацию с помощью различных функций `generate...Response` .\n * **Особенности:** Большая часть интеллектуальной логики реализована в коде JavaScript интерфейса.\n\n#### Преимущества и ограничения этого подхода\n\n* **заслуга:**\n\n * Работа как ИИ без LLM (низкая стоимость/высокая эффективность)\n * Ответ можно расширить, просто добавив документы (для простых серверов MCP)\n * Низкие затраты на внедрение и обслуживание (отсутствие зависимости от внешнего API LLM и затрат на него)\n * Возможность установки правил, оптимизированных для определенных доменов (мониторинг сервера)\n* **допуск:**\n\n * Ограниченная способность интерпретации вопросов (отсутствие понимания контекста, ограниченная глубина понимания естественного языка)\n * Не подходит для крупномасштабного анализа в реальном времени.\n * Производительность зависит от сложности правил и шаблонов, и сложно гибко реагировать на новые типы проблем или вопросы (особенно это касается интерфейсных процессоров ИИ).\n * Поскольку основная логика сосредоточена во внешнем интерфейсе, могут возникнуть ограничения в масштабируемости и удобстве обслуживания.\n\n***\n\n## 🤖 Метод разработки (на основе Vibe Coding)\n\nЭтот проект был разработан путем ввода подсказок в инструмент на основе GPT и использования курсора **для управления кодированием ИИ** .\n\n### Поток фазы разработки\n\n#### Шаг 1: Первоначальное планирование и определение функций (с использованием GPT)\n\n* Предложение по структуре проекта\n* Определение роли сервера MCP и метода ответа на основе контекста\n* Установка основного направления стека технологий и пользовательского интерфейса\n\n#### Шаг 2: Реализация функций и интеграция с интерфейсом (с использованием курсора)\n\n* Конфигурация фронтального JS-кода\n* Обработка выборки запроса MCP\n* Отображение ответа Markdown\n\n#### Шаг 3: Расширенный ответ и шаблон документа (совместная работа курсора и GPT)\n\n* контекст Расширение структуры ответа на несколько документов\n* Разработка шаблонов автоматических отчетов\n* Проектирование и ветвь обработки ответных документов по типу отказа\n\n***\n\n## 📐 Руководство по разработке\n\n### ✅ Пользовательский интерфейс и дизайн\n\n* `index.html` и стили пользовательского интерфейса должны оставаться актуальными (рекомендуется сохранение 90% или более)\n* Разрешайте вносить изменения только в той мере, в которой они не нарушают пользовательский интерфейс.\n\n### ✅ MCP-бэкэнд\n\n* Функциональность сервера можно свободно улучшать путем расширения и добавления контекстных структур.\n* Структура контекстного документа соответствует текстовому формату `.txt` или `.md`\n* При расширении API рекомендуется использовать структуру RESTful\n\n## Руководство по разработке\n\nПри работе над проектом следуйте этим рекомендациям:\n\n### Связанные с пользовательским интерфейсом и дизайном (на основе коммита ad03d5f)\n\n* **Индексный файл и пользовательский интерфейс** : текущий дизайн UI/UX должен быть тщательно сохранен.\n * `index.html` и видимые извне компоненты пользовательского интерфейса должны сохранить не менее 90% своих текущих стилей.\n * Не изменяйте дизайн интерфейса без крайней необходимости.\n\n### Разработка бэкэнда\n\n* **Улучшения функций бэкэнда** : улучшения и расширения функций на стороне сервера можно реализовать бесплатно.\n * Улучшенная логика обработки данных\n * Добавить и оптимизировать конечные точки API\n * Работа по повышению производительности и улучшению масштабируемости\n\n## Установить и запустить\n\n### Внешний интерфейс\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### Внутренний сервер\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## Среда развертывания\n\n* **Интерфейс** : Netlify ( )\n* **Бэкэнд** : Render.com ( )\n\n## Планы дальнейшего развития\n\n1. **Интеграция ИИ** : Реальная обработка естественного языка Связь LLM\n2. **Данные в реальном времени** : интеграция с реальными системами мониторинга серверов (Prometheus, Zabbix и т. д.)\n3. **Расширение визуализации** : диверсификация графиков и диаграмм анализа данных\n4. **Система оповещения** : автоматическое оповещение и передача отчетов в случае сбоя\n\n## Информация для разработчиков\n\nЭтот проект был разработан с использованием Vibe Coding на основе различных моделей ИИ, таких как Claude, GPT и Gemini.\n\n## Лицензия\n\nДанный проект был создан для внутренних целей разработки и для него не предусмотрена отдельная лицензия.\n\n## Последние улучшения (версия v4.1.0)\n\n### 1. Улучшение и согласованность облегченной структуры NLU\n\n* Мы реализовали облегченную архитектуру NLU (понимание естественного языка) как на фронтенде, так и на бэкенде.\n* Последовательно разделяйте запросы пользователей на намерения и сущности.\n* Намерения: CPU\\_STATUS, MEMORY\\_STATUS, DISK\\_STATUS, INCIDENT\\_QUERY, SERVER\\_STATUS и т. д.\n* Сущности: тип\\_сервера, порог, временной\\_диапазон, серьезность и т. д.\n\n### 2. Улучшена логика обработки запросов front-end-back-end.\n\n* Добавлена функция анализа NLU, совместимая с бэкэндом, во фронтэнд `process_query.js` .\n* Улучшить структуру ответа API бэкэнда, чтобы явно предоставлять информацию о намерениях и сущностях фронтэнду.\n* Мы улучшили обработку ошибок, чтобы обеспечить единообразную обработку ошибок во всех конечных точках API.\n\n### 3. Улучшенная обработка контекста\n\n* Используйте контекст разговора, чтобы давать более точные и контекстные ответы на последующие вопросы.\n* Пример: задав вопрос о конкретном сервере, сохраните контекст, задав дополнительный вопрос, например: «Объясните почему?»\n* Запомните типы метрик (ЦП, память и т. д.), упомянутые в предыдущих беседах, и используйте их в последующих вопросах.\n\n### 4. Улучшенный опыт разработчика\n\n* Разработка фронтенда упрощается за счет поддержания единообразной структуры ответов API.\n* Добавлена логика обработки ошибок во все API для повышения стабильности.\n* Улучшение удобства обслуживания за счет улучшения структуры внутреннего кода.\n\n## Планы по улучшению на будущее\n\n1. Структурирование файла контекста. Преобразование текущего контекста на основе текстового файла в формат JSON/YAML.\n2. Расширенные возможности NLU — добавлено распознавание большего количества намерений и сущностей\n3. Улучшения пользовательского интерфейса — визуальное отображение контекстно-зависимых функций\n4. Оптимизация производительности бэкэнда — повышение производительности обработки крупномасштабных данных метрик.","Russian","ru-RU",{"_29":73,"_37":77,"_39":78},{"_31":74,"_33":75,"_35":76},"基于自然语言的服务器分析和监控系统，可自动处理用户关于服务器状态的查询，并以可视化的方式提供详细的响应。","OpenManager Vibe V4 MCP 服务器","# OpenManager Vibe V4\n\nOpenManager Vibe V4 是一个基于自然语言的服务器分析和监控系统。当管理员用简单的语言询问服务器状态问题时，系统会自动分析并提供结果。\n\n## 分发链接\n\n* **前端**： \n* **后端 API** ： \n\n## 项目结构\n\n```\n.\n├── frontend/ # 프론트엔드 코드\n│ ├── css/ # 스타일시트 파일들\n│ ├── public/ # 정적 자원 파일들\n│ ├── index.html # 메인 랜딩 페이지\n│ ├── server_dashboard.html # 서버 모니터링 대시보드\n│ ├── server_detail.html # 서버 상세 정보 페이지\n│ ├── agent.js # 에이전트 스크립트\n│ ├── ai_processor.js # 자연어 처리 엔진\n│ ├── data_processor.js # 데이터 처리 로직\n│ ├── dummy_data_generator.js # 더미 데이터 생성기\n│ ├── fixed_dummy_data.js # 고정 더미 데이터\n│ ├── summary.js # 데이터 요약 및 보고서 생성\n│ └── config.js # 설정 파일\n│\n└── mcp-lite-server/ # 백엔드 서버\n ├── context/ # 컨텍스트 문서 보관\n ├── server.js # 백엔드 서버 코드\n └── package.json # 백엔드 의존성 정의\n```\n\n## MCP 链接流\n\n前端与 MCP Lite 服务器集成如下：\n\n1. **前端**：用户以自然语言输入有关服务器状态的问题\n2. **API 调用**：前端向 MCP 服务器的`/query`端点发送问题和上下文信息。\n3. **后端处理**：MCP 服务器将问题与上下文文件进行匹配并生成适当的响应。\n4. **显示结果**：响应传递到前端并以可视方式显示给用户。\n\n**在演示环境中**：\n\n* 大部分逻辑在前端执行，并使用虚拟数据。\n* MCP服务器起着次要的作用，只提供简单的自然语言处理功能。\n* 在真实环境中，MCP 服务器可以扩展以将真实监控数据与高级 LLM 链接起来。\n\n## 主要特点\n\n* **基于自然语言的查询**：允许管理员使用日常语言询问有关服务器状态和问题的问题\n* **自动分析**：系统分析问题并提供相关服务器列表和问题的原因。\n* **直观的仪表板**：直观显示服务器状态和性能指标\n* **详细报告**：生成包括问题原因和解决方案的分析报告。\n* **数据过滤**：能够按时间、服务器类型和位置进行过滤\n\n## 技术堆栈\n\n### 前端\n\n* HTML5/CSS3/JavaScript（原始）\n* Bootstrap UI 框架\n* Chart.js（数据可视化）\n* Font Awesome/Bootstrap 图标（图标）\n\n### 后端\n\n* Node.js\n* Express.js\n* 基于文件的上下文管理系统\n\n## 🏗 系统架构：大型AI代理与本项目（基于MCP）\n\n### 🧠 真正的基于 LLM 的 AI 代理架构\n\n* \\*\\*数据流向：\\*\\*实时监控日志 → 收集器（Kafka/Fluentd等） → 分析引擎\n* **自然语言处理：**\n\n * 与 LLM API（OpenAI、Claude 等）集成\n * 基于 Python/Java 的后端\n * 包括高级查询解释和上下文理解功能\n* **分析引擎：**\n\n * 与时间序列/搜索引擎（如 InfluxDB 和 Elasticsearch）集成\n * 基于事件的模式分析、警报触发\n* **UI集成：**\n\n * 完全集成的仪表板\n * 对话界面+使用历史学习\n\n### ⚙️ 本项目（基于 MCP 的轻量级演示系统）\n\n该项目包含多层自主研发的“AI代理”逻辑，无需LLM（大型语言模型）即可提供类似AI的功能。每个组件都扮演着特定的角色，并协同工作，为用户提供智能的服务器分析和监控体验。\n\n* \\*\\*前端：\\*\\*采用纯 HTML/JS 构建，部署到 Netlify。大多数复杂的AI代理逻辑都包含在这里。\n* \\*\\*MCP 服务器（后端）：\\*\\*基于 Node.js，部署到 Render。主要负责简单的问答和统计分析功能。\n\n#### 多层“无 LLM AI 代理”组件\n\n1. **简单的 MCP 服务器（ `mcp-lite-server/server.js`中的`/query`端点）：**\n\n * \\*\\*作用：\\*\\*根据`context/`文件夹中的文本文件内容提供基本的关键字匹配查询回答功能。\n * \\*\\*工作原理：\\*\\*通过检查用户查询中的单词是否包含在上下文文件中的特定行中来做出响应。\n * \\*\\*局限性：\\*\\*简单的字符串匹配可能会导致上下文理解不佳，并可能返回不相关的信息。\n\n2. **后端 AI 代理（ `mcp-lite-server/ai_agent.js`和`/api/ai/query`端点）：**\n\n * \\*\\*作用：\\*\\*通过对服务器指标数据进行统计分析（例如 Z 分数）来检测异常，并为某些类型的问题生成简单的、基于模式的自然语言答案。\n * \\*\\*工作原理：\\*\\*分析数值数据以识别统计异常值并使用预定义的响应模板。\n * \\*\\*局限性：\\*\\*仅能应对有限的场景和问题类型。\n\n3. **前端 AI 处理器（ `frontend/ai_processor.js` ）：**\n\n * \\*\\*角色：\\*\\*在当前系统中执行最复杂的无 LLM 代理逻辑。负责定义详细的基于规则的问题模式，分析用户自然语言查询（简单NLU），分析原因并提出解决方案，生成动态报告内容。\n * \\*\\*工作原理：\\*\\*根据`problemPatterns`中定义的规则和条件分析服务器数据，通过`analyzeQuery`识别用户问题的意图，并通过各种`generate...Response`函数提供定制信息。\n * \\*\\*特点：\\*\\*大部分智能逻辑在前端JavaScript代码中实现。\n\n#### 这种方法的优点和局限性\n\n* **优点：**\n\n * 无需法学硕士 (LLM) 即可像 AI 一样工作（低成本/高效率）\n * 只需添加文档即可扩展响应（适用于简单的 MCP 服务器）\n * 低引入和维护成本（无外部 LLM API 依赖和成本）\n * 可以设置针对特定域优化的规则（服务器监控）\n* **利润：**\n\n * 问题解释能力有限（没有上下文理解，自然语言理解深度有限）\n * 不适合大规模实时分析\n * 性能取决于规则和模式的复杂程度，并且难以灵活地响应新的问题类型或问题（尤其是前端AI处理器）。\n * 由于核心逻辑集中在前端，可扩展性和可维护性可能会受到限制。\n\n***\n\n## 🤖 开发方法（基于Vibe Coding）\n\n该项目是通过将提示输入基于 GPT 的工具并使用 Cursor**来指导 AI 编码而**开发的。\n\n### 开发阶段流程\n\n#### 步骤1：初步规划和特征定义（使用GPT）\n\n* 项目结构提案\n* 定义 MCP 服务器的角色和基于上下文的响应方法\n* 设定技术栈和UI基本方向\n\n#### 第二步：实现功能及前端集成（使用Cursor）\n\n* 前端JS代码配置\n* MCP 请求获取处理\n* Markdown 响应渲染\n\n#### 步骤 3：高级和文档模式响应（光标 + GPT 协作）\n\n* context 扩展多文档响应结构\n* 设计自动报告模板\n* 按故障类型设计响应文档并进行分支处理\n\n***\n\n## 📐 开发指南\n\n### ✅ 用户界面和设计\n\n* `index.html`和 UI 样式应保持最新（建议保留 90% 或更多）\n* 仅允许在不破坏用户体验流程的范围内进行更改。\n\n### ✅ MCP 后端\n\n* 通过扩展和添加上下文结构可以自由地改进服务器功能。\n* 上下文文档结构遵循基于文本的`.txt`或`.md`\n* 扩展API时建议使用RESTful结构\n\n## 开发指南\n\n在开展项目时，请遵循以下准则：\n\n### UI 和设计相关（基于提交 ad03d5f）\n\n* **索引文件和用户界面**：必须彻底保留当前的 UI/UX 设计。\n * `index.html`和外部可见的用户界面组件应保留至少 90% 的当前样式。\n * 除非绝对必要，否则不要修改前端设计。\n\n### 后端开发\n\n* **后端功能改进**：服务器端功能改进和扩展可以自由进行。\n * 改进的数据处理逻辑\n * 添加并优化 API 端点\n * 努力提高性能并增强可扩展性\n\n## 安装并运行\n\n### 前端\n\n```bash\ncd frontend\n# 정적 서버로 실행 (예: VS Code의 Live Server 또는 기타 정적 파일 서버)\n```\n\n### 后端服务器\n\n```bash\ncd mcp-lite-server\nnpm install\nnode server.js\n```\n\n## 部署环境\n\n* **前端**：Netlify（）\n* **后端**：Render.com（）\n\n## 未来发展计划\n\n1. **AI集成**：真正的自然语言处理LLM链接\n2. **实时数据**：与真实服务器监控系统集成（Prometheus、Zabbix等）\n3. **扩展可视化**：多样化的数据分析图形和图表\n4. **通知系统**：发生故障时自动通知和报告传输\n\n## 开发者信息\n\n该项目是使用 Vibe Coding 基于 Claude、GPT 和 Gemini 等各种 AI 模型开发的。\n\n## 执照\n\n该项目是为了内部开发目的而创建的，没有为其指定单独的许可证。\n\n## 最新改进（发布 v4.1.0）\n\n### 1. 轻量级NLU结构的改进与一致性\n\n* 我们在前端和后端都实现了轻量级 NLU（自然语言理解）架构。\n* 始终将用户查询分为意图和实体。\n* 意图：CPU\\_STATUS、MEMORY\\_STATUS、DISK\\_STATUS、INCIDENT\\_QUERY、SERVER\\_STATUS 等。\n* 实体：server\\_type、threshold、time\\_range、severity 等。\n\n### 2.改进前后端查询处理逻辑\n\n* 前端`process_query.js`新增与后端兼容的 NLU 分析函数。\n* 改进后端 API 响应结构，以明确向前端提供意图和实体信息。\n* 我们改进了错误处理，以确保所有 API 端点的错误处理一致。\n\n### 3. 改进上下文处理\n\n* 利用对话上下文为后续问题提供更准确、更符合情境的回答。\n* 示例：在询问有关特定服务器的问题后，通过询问“解释为什么？”之类的后续问题来保持上下文。\n* 记住前面对话中提到的指标类型（CPU、内存等），并在后续问题中使用它们。\n\n### 4. 提升开发者体验\n\n* 通过保持一致的 API 响应结构，前端开发变得更加容易。\n* 为所有 API 添加了错误处理逻辑以提高稳定性。\n* 通过改进后端代码结构提高了可维护性。\n\n## 未来改进计划\n\n1. 构建上下文文件 - 将当前基于文本文件的上下文转换为 JSON/YAML 格式。\n2. 增强的 NLU 功能 - 增加了对更多意图和实体的识别\n3. 前端 UI 改进 - 直观地表达上下文感知功能\n4. 后端性能优化 - 提升处理大规模指标数据的性能","Chinese","zh-CN","githubUser","locale",{"_82":83,"_13":84,"_92":43,"_93":43,"_33":44,"_16":94,"_95":96,"_171":172,"_179":-5,"_180":181,"_182":-5,"_183":184,"_218":219,"_223":-5,"_103":207,"_224":181,"_106":225,"_226":227},"addedAt","2025-05-20T14:00:30.403802Z",[85,86,87,88,89,90,91],"category:monitoring","category:observability","category:search","environment:local","hosting:remote-capable","language:javascript","license_grade:f","descriptionMarkdown","descriptionPlainText",6927,"integrations",[97,108,115,122,129,136,143,150,157,164],{"_98":99,"_31":105,"_106":107},"brand",{"_100":101,"_37":102,"_103":104},"logoSvgPath","M11.77 11.24H9.956V8.202h2.152c1.17 0 1.834.522 1.834 1.466 0 1.008-.773 1.572-2.174 1.572zm.324 1.206H9.957v3.348h2.231c1.459 0 2.232-.585 2.232-1.685s-.795-1.663-2.326-1.663zM24 11.39v1.218c-1.128.108-1.817.944-2.226 2.268-.407 1.319-.463 2.937-.42 4.186.045 1.3-.968 2.5-2.337 2.5H4.985c-1.37 0-2.383-1.2-2.337-2.5.043-1.249-.013-2.867-.42-4.186-.41-1.324-1.1-2.16-2.228-2.268V11.39c1.128-.108 1.819-.944 2.227-2.268.408-1.319.464-2.937.42-4.186-.045-1.3.968-2.5 2.338-2.5h14.032c1.37 0 2.382 1.2 2.337 2.5-.043 1.249.013 2.867.42 4.186.409 1.324 1.098 2.16 2.226 2.268zm-7.927 2.817c0-1.354-.953-2.333-2.368-2.488v-.057c1.04-.169 1.856-1.135 1.856-2.213 0-1.537-1.213-2.538-3.062-2.538h-4.16v10.172h4.181c2.218 0 3.553-1.086 3.553-2.876z","Bootstrap","slug","bootstrap","Used for UI framework components in the frontend dashboard for server monitoring and visualization","uid","0dnjpgzkkl",{"_98":109,"_31":113,"_106":114},{"_100":110,"_37":111,"_103":112},"M12 0L1.605 6v12L12 24l10.395-6V6zm0 1.41l9.172 5.295v10.59L12 22.59l-9.172-5.295V6.705zM5.902 8.334c-1.306 0-1.983.956-2.574 2.41v6.262L12 22.014l8.672-5.008v-5.971c-.447-.264-.894-.412-1.336-.412-4.275 0-3.97 4.885-6.717 5.8-2.748.917-3.511-8.089-6.717-8.089zm12.364.457c-2.9 0-2.137 4.732-5.342 4.732-1.63 0-2.52-1.317-3.477-1.981.148.326.3.655.442.98.467 1.068.922 2.09 1.379 2.734.228.322.455.541.644.644a.595.595 0 0 0 .549.05c.558-.187.968-.571 1.36-1.112.39-.541.74-1.228 1.154-1.916.413-.688.894-1.385 1.59-1.918.695-.534 1.607-.881 2.77-.881.465 0 .908.136 1.337.352v-.121c-.633-.849-1.348-1.563-2.406-1.563zm-6.68.152c-.868 0-1.491.82-2.076 2.06.094.055.192.106.277.167 1.06.761 1.798 1.853 3.137 1.853.678 0 1.067-.218 1.418-.585-.722-1.546-1.432-3.492-2.756-3.495Z","Chart.js","chartdotjs","Provides data visualization capabilities for displaying server performance metrics and monitoring data","d2lqr0b7ko",{"_98":116,"_31":120,"_106":121},{"_100":117,"_37":118,"_103":119},"M1.5 0h21l-1.91 21.563L11.977 24l-8.565-2.438L1.5 0zm17.09 4.413L5.41 4.41l.213 2.622 10.125.002-.255 2.716h-6.64l.24 2.573h6.182l-.366 3.523-2.91.804-2.956-.81-.188-2.11h-2.61l.29 3.855L12 19.288l5.373-1.53L18.59 4.414z","CSS3","css3","Used for styling the server monitoring dashboard and user interface components","bmfzoxdfxp",{"_98":123,"_31":127,"_106":128},{"_100":124,"_37":125,"_103":126},"M24 18.588a1.529 1.529 0 01-1.895-.72l-3.45-4.771-.5-.667-4.003 5.444a1.466 1.466 0 01-1.802.708l5.158-6.92-4.798-6.251a1.595 1.595 0 011.9.666l3.576 4.83 3.596-4.81a1.435 1.435 0 011.788-.668L21.708 7.9l-2.522 3.283a.666.666 0 000 .994l4.804 6.412zM.002 11.576l.42-2.075c1.154-4.103 5.858-5.81 9.094-3.27 1.895 1.489 2.368 3.597 2.275 5.973H1.116C.943 16.447 4.005 19.009 7.92 17.7a4.078 4.078 0 002.582-2.876c.207-.666.548-.78 1.174-.588a5.417 5.417 0 01-2.589 3.957 6.272 6.272 0 01-7.306-.933 6.575 6.575 0 01-1.64-3.858c0-.235-.08-.455-.134-.666A88.33 88.33 0 010 11.577zm1.127-.286h9.654c-.06-3.076-2.001-5.258-4.59-5.278-2.882-.04-4.944 2.094-5.071 5.264z","Express","express","Powers the backend server for handling API requests and natural language queries about server status","vq10qgk006",{"_98":130,"_31":134,"_106":135},{"_100":131,"_37":132,"_103":133},"M4.3934 4.5c.6837-.4317 1.1379-1.194 1.1379-2.0625C5.5313 1.0913 4.4398 0 3.0938 0 1.7475 0 .6563 1.0913.6563 2.4375c0 .7805.3668 1.4753.9375 1.9214V24h3v-3h17.5126c.6834 0 1.2373-.554 1.2373-1.2373a1.237 1.237 0 0 0-.1066-.5027l-2.8934-6.51 2.8934-6.51a1.237 1.237 0 0 0 .1066-.5026c0-.6834-.5539-1.2374-1.2373-1.2374Z","Font Awesome","fontawesome","Provides icon sets used throughout the server monitoring interface","xijo3mxpr8",{"_98":137,"_31":141,"_106":142},{"_100":138,"_37":139,"_103":140},"M1.5 0h21l-1.91 21.563L11.977 24l-8.564-2.438L1.5 0zm7.031 9.75l-.232-2.718 10.059.003.23-2.622L5.412 4.41l.698 8.01h9.126l-.326 3.426-2.91.804-2.955-.81-.188-2.11H6.248l.33 4.171L12 19.351l5.379-1.443.744-8.157H8.531z","HTML5","html5","Used for structuring the server monitoring dashboard and user interface","up7j6hcj8p",{"_98":144,"_31":148,"_106":149},{"_100":145,"_37":146,"_103":147},"M0 0h24v24H0V0zm22.034 18.276c-.175-1.095-.888-2.015-3.003-2.873-.736-.345-1.554-.585-1.797-1.14-.091-.33-.105-.51-.046-.705.15-.646.915-.84 1.515-.66.39.12.75.42.976.9 1.034-.676 1.034-.676 1.755-1.125-.27-.42-.404-.601-.586-.78-.63-.705-1.469-1.065-2.834-1.034l-.705.089c-.676.165-1.32.525-1.71 1.005-1.14 1.291-.811 3.541.569 4.471 1.365 1.02 3.361 1.244 3.616 2.205.24 1.17-.87 1.545-1.966 1.41-.811-.18-1.26-.586-1.755-1.336l-1.83 1.051c.21.48.45.689.81 1.109 1.74 1.756 6.09 1.666 6.871-1.004.029-.09.24-.705.074-1.65l.046.067zm-8.983-7.245h-2.248c0 1.938-.009 3.864-.009 5.805 0 1.232.063 2.363-.138 2.711-.33.689-1.18.601-1.566.48-.396-.196-.597-.466-.83-.855-.063-.105-.11-.196-.127-.196l-1.825 1.125c.305.63.75 1.172 1.324 1.517.855.51 2.004.675 3.207.405.783-.226 1.458-.691 1.811-1.411.51-.93.402-2.07.397-3.346.012-2.054 0-4.109 0-6.179l.004-.056z","JavaScript","javascript","Powers client-side functionality for the server monitoring system including data processing and visualization","djpu9rc7xj",{"_98":151,"_31":155,"_106":156},{"_100":152,"_37":153,"_103":154},"M6.49 19.04h-.23L5.13 17.9v-.23l1.73-1.71h1.2l.15.15v1.2L6.5 19.04ZM5.13 6.31V6.1l1.13-1.13h.23L8.2 6.68v1.2l-.15.15h-1.2L5.13 6.31Zm9.96 9.09h-1.65l-.14-.13v-3.83c0-.68-.27-1.2-1.1-1.23-.42 0-.9 0-1.43.02l-.07.08v4.96l-.14.14H8.9l-.13-.14V8.73l.13-.14h3.7a2.6 2.6 0 0 1 2.61 2.6v4.08l-.13.14Zm-8.37-2.44H.14L0 12.82v-1.64l.14-.14h6.58l.14.14v1.64l-.14.14Zm17.14 0h-6.58l-.14-.14v-1.64l.14-.14h6.58l.14.14v1.64l-.14.14ZM11.05 6.55V1.64l.14-.14h1.65l.14.14v4.9l-.14.14h-1.65l-.14-.13Zm0 15.81v-4.9l.14-.14h1.65l.14.13v4.91l-.14.14h-1.65l-.14-.14Z","Netlify","netlify","Hosts the frontend components of the server monitoring system","720v04zl1t",{"_98":158,"_31":162,"_106":163},{"_100":159,"_37":160,"_103":161},"M11.998,24c-0.321,0-0.641-0.084-0.922-0.247l-2.936-1.737c-0.438-0.245-0.224-0.332-0.08-0.383 c0.585-0.203,0.703-0.25,1.328-0.604c0.065-0.037,0.151-0.023,0.218,0.017l2.256,1.339c0.082,0.045,0.197,0.045,0.272,0l8.795-5.076 c0.082-0.047,0.134-0.141,0.134-0.238V6.921c0-0.099-0.053-0.192-0.137-0.242l-8.791-5.072c-0.081-0.047-0.189-0.047-0.271,0 L3.075,6.68C2.99,6.729,2.936,6.825,2.936,6.921v10.15c0,0.097,0.054,0.189,0.139,0.235l2.409,1.392 c1.307,0.654,2.108-0.116,2.108-0.89V7.787c0-0.142,0.114-0.253,0.256-0.253h1.115c0.139,0,0.255,0.112,0.255,0.253v10.021 c0,1.745-0.95,2.745-2.604,2.745c-0.508,0-0.909,0-2.026-0.551L2.28,18.675c-0.57-0.329-0.922-0.945-0.922-1.604V6.921 c0-0.659,0.353-1.275,0.922-1.603l8.795-5.082c0.557-0.315,1.296-0.315,1.848,0l8.794,5.082c0.57,0.329,0.924,0.944,0.924,1.603 v10.15c0,0.659-0.354,1.273-0.924,1.604l-8.794,5.078C12.643,23.916,12.324,24,11.998,24z M19.099,13.993 c0-1.9-1.284-2.406-3.987-2.763c-2.731-0.361-3.009-0.548-3.009-1.187c0-0.528,0.235-1.233,2.258-1.233 c1.807,0,2.473,0.389,2.747,1.607c0.024,0.115,0.129,0.199,0.247,0.199h1.141c0.071,0,0.138-0.031,0.186-0.081 c0.048-0.054,0.074-0.123,0.067-0.196c-0.177-2.098-1.571-3.076-4.388-3.076c-2.508,0-4.004,1.058-4.004,2.833 c0,1.925,1.488,2.457,3.895,2.695c2.88,0.282,3.103,0.703,3.103,1.269c0,0.983-0.789,1.402-2.642,1.402 c-2.327,0-2.839-0.584-3.011-1.742c-0.02-0.124-0.126-0.215-0.253-0.215h-1.137c-0.141,0-0.254,0.112-0.254,0.253 c0,1.482,0.806,3.248,4.655,3.248C17.501,17.007,19.099,15.91,19.099,13.993z","Node.js","node-dot-js","Powers the backend MCP server for processing natural language queries about server status","y9he8cp4mx",{"_98":165,"_31":169,"_106":170},{"_100":166,"_37":167,"_103":168},"M18.263.007c-3.121-.147-5.744 2.109-6.192 5.082-.018.138-.045.272-.067.405-.696 3.703-3.936 6.507-7.827 6.507-1.388 0-2.691-.356-3.825-.979a.2024.2024 0 0 0-.302.178V24H12v-8.999c0-1.656 1.338-3 2.987-3h2.988c3.382 0 6.103-2.817 5.97-6.244-.12-3.084-2.61-5.603-5.682-5.75","Render","render","Hosts the backend API for the server monitoring system","tyxwqm8zpm","namespace",{"_173":174,"_103":178},"owner",{"_175":176},"githubAccount",{"_177":178},"login","skyasu2","readmeMarkdown","recentUsage",0,"redditPostExternalId","repository",{"_185":186,"_193":194,"_197":198,"_213":-5,"_214":215,"_216":-5,"_217":-5},"argumentsJsonSchema",{"_187":188,"_189":190,"_191":192},"properties",{},"required",[],"type","object","githubProject",{"_35":62,"_195":196},"url","https://github.com/skyasu2/openmanager-vibe-v4","githubRepository",{"_199":200,"_201":202,"_203":204,"_16":205,"_206":146,"_37":207,"_173":208,"_210":181,"_211":-5,"_212":181},"defaultBranch","main","fullName","skyasu2/openmanager-vibe-v4","githubTreeId",347871,14134,"language","openmanager-vibe-v4",{"_177":178,"_106":209},"gKH0qPwXJo","recentStargazers","spdxLicense","stargazers","glamaJson","inspectable",false,"npmPackage","supportedPlatforms","scores",{"_220":181,"_221":-5,"_222":-5},"license","quality","security","simpleIcon","toolCount","lgm0122t3e","updatedAt","2025-11-17T16:27:50.711787Z","meta",[230,233,235,242,245,247,250,253,256,259,262,264,267,270,272,274,276,278,280],{"_231":232},"title","OpenManager Vibe V4 MCP Server | Glama",{"_234":43,"_37":31},"content",{"_236":237,"_238":239,"_240":241},"href","https://glama.ai/mcp/servers/@skyasu2/openmanager-vibe-v4","rel","canonical","tagName","link",{"_234":44,"_243":244},"property","og:title",{"_234":43,"_243":246},"og:description",{"_234":248,"_243":249},"https://glama.ai/logo.png","og:logo",{"_234":251,"_243":252},"https://glama.ai/mcp/servers/@skyasu2/openmanager-vibe-v4/og-image","og:image",{"_234":254,"_243":255},"630","og:image:height",{"_234":257,"_243":258},"1200","og:image:width",{"_234":260,"_243":261},"website","og:type",{"_234":237,"_243":263},"og:url",{"_234":265,"_243":266},"Glama – MCP Hosting Platform","og:site_name",{"_234":268,"_37":269},"summary_large_image","twitter:card",{"_234":265,"_37":271},"twitter:title",{"_234":43,"_37":273},"twitter:description",{"_234":251,"_37":275},"twitter:image",{"_234":254,"_37":277},"twitter:image:height",{"_234":257,"_37":279},"twitter:image:width",{"_281":282},"script:ld+json",{"_283":284,"_285":286},"@context","http://schema.org","@graph",[287],{"_283":288,"_289":290,"_291":292},"https://schema.org","@type","BreadcrumbList","itemListElement",[293,300,303,307],{"_289":294,"_295":296,"_37":297,"_298":299},"ListItem","item","https://glama.ai/","Glama","position",1,{"_289":294,"_295":301,"_37":302,"_298":22},"https://glama.ai/mcp","MCP",{"_289":294,"_295":304,"_37":305,"_298":306},"https://glama.ai/mcp/servers","Servers",3,{"_289":294,"_295":237,"_37":44,"_298":308},4,"visitorIsMaintainer","routes/_public/mcp/servers/~namespace/~slug/_pages/_explorer/blob/~commit/~/_route",{"_312":313,"_29":319,"_353":354,"_228":368,"_365":392,"_393":394},"blob",{"_234":314,"_315":316,"_317":318},"{ \"short_name\": \"OpenManager\", \"name\": \"OpenManager Vibe V4\", \"start_url\": \".\", \"display\": \"standalone\", \"theme_color\": \"#1a3c6e\", \"background_color\": \"#ffffff\" }\n","fileName","manifest.json","size",169,{"_82":83,"_13":320,"_92":43,"_93":43,"_33":44,"_16":94,"_95":321,"_171":342,"_179":-5,"_180":181,"_182":-5,"_183":345,"_218":352,"_223":-5,"_103":207,"_224":181,"_106":225,"_226":227},[85,86,87,88,89,90,91],[322,324,326,328,330,332,334,336,338,340],{"_98":323,"_31":105,"_106":107},{"_100":101,"_37":102,"_103":104},{"_98":325,"_31":113,"_106":114},{"_100":110,"_37":111,"_103":112},{"_98":327,"_31":120,"_106":121},{"_100":117,"_37":118,"_103":119},{"_98":329,"_31":127,"_106":128},{"_100":124,"_37":125,"_103":126},{"_98":331,"_31":134,"_106":135},{"_100":131,"_37":132,"_103":133},{"_98":333,"_31":141,"_106":142},{"_100":138,"_37":139,"_103":140},{"_98":335,"_31":148,"_106":149},{"_100":145,"_37":146,"_103":147},{"_98":337,"_31":155,"_106":156},{"_100":152,"_37":153,"_103":154},{"_98":339,"_31":162,"_106":163},{"_100":159,"_37":160,"_103":161},{"_98":341,"_31":169,"_106":170},{"_100":166,"_37":167,"_103":168},{"_173":343,"_103":178},{"_175":344},{"_177":178},{"_185":346,"_193":349,"_197":350,"_213":-5,"_214":215,"_216":-5,"_217":-5},{"_187":347,"_189":348,"_191":192},{},[],{"_35":62,"_195":196},{"_199":200,"_201":202,"_203":204,"_16":205,"_206":146,"_37":207,"_173":351,"_210":181,"_211":-5,"_212":181},{"_177":178,"_106":209},{"_220":181,"_221":-5,"_222":-5},"member",{"_355":356,"_359":360,"_361":362,"_203":363,"_364":215,"_365":316,"_366":367,"_317":318,"_191":312},"commit",{"_357":358},"sha","3b53895df2f28b8c04daa01028383c1fd9c76398","contentStoredObjectPointerId",460642,"fullPath","frontend/public/manifest.json",347853,"indexable","path","safeToDisplayAsText",true,[369,371,373,375,377,378,379,381,382,383,384,385,386,387,388,389,390,391],{"_231":370},"manifest.json | OpenManager Vibe V4 MCP Server | Glama",{"_234":372,"_37":31},"Enterprise-grade security, privacy, and features like agents, MCP, prompt templates, and more.",{"_236":374,"_238":239,"_240":241},"https://glama.ai/mcp/servers/@skyasu2/openmanager-vibe-v4/blob/3b53895df2f28b8c04daa01028383c1fd9c76398/frontend/public",{"_234":376,"_243":244},"manifest.json | OpenManager Vibe V4 MCP Server",{"_234":372,"_243":246},{"_234":248,"_243":249},{"_234":380,"_243":252},"https://glama.ai/generated-images/og?title=manifest.json+%7C+OpenManager+Vibe+V4+MCP+Server",{"_234":254,"_243":255},{"_234":257,"_243":258},{"_234":260,"_243":261},{"_234":374,"_243":263},{"_234":265,"_243":266},{"_234":268,"_37":269},{"_234":265,"_37":271},{"_234":372,"_37":273},{"_234":380,"_37":275},{"_234":254,"_37":277},{"_234":257,"_37":279},"frontend/public","treeMembers",[395,400,404,408],{"_355":396,"_361":397,"_365":398,"_191":399},{"_357":358},"frontend/public/context","context","tree",{"_355":401,"_361":402,"_365":403,"_191":399},{"_357":358},"frontend/public/simulation-data","simulation-data",{"_355":405,"_361":406,"_365":407,"_191":312},{"_357":358},"frontend/public/index.html","index.html",{"_355":409,"_361":362,"_365":316,"_191":312},{"_357":358},"actionData","errors"]

MCP directory API