Perfetto MCP

Perfetto MCP
Verwandeln Sie natürliche Sprache in leistungsstarke Perfetto-Trace-Analysen
Ein Model Context Protocol (MCP)-Server, der Prompts in natürlicher Sprache in gezielte Perfetto-Analysen umwandelt. Erklären Sie schnell Jank, diagnostizieren Sie ANRs, finden Sie CPU-Hot-Threads, decken Sie Lock-Contention auf und finden Sie Speicherlecks – alles ohne SQL zu schreiben.
✨ Funktionen
Natürliche Sprache → SQL: Stellen Sie Fragen in einfachem Englisch, erhalten Sie präzise Perfetto-Abfragen
ANR-Erkennung: Automatische Identifizierung und Analyse von "Application Not Responding"-Ereignissen
Performance-Analyse: CPU-Profiling, Frame-Jank-Erkennung, Speicherleck-Erkennung
Thread-Contention: Finden Sie Synchronisations-Engpässe und Lock-Contention
Binder-Profiling: Analysieren Sie IPC-Performance und langsame Systeminteraktionen

Related MCP server: etw-mcp
📋 Voraussetzungen
Python 3.13+ (macOS/Homebrew):
brew install python@3.13uv (empfohlen):
brew install uv
🚀 Erste Schritte
Oder fügen Sie es zu ~/.cursor/mcp.json (global) oder .cursor/mcp.json (Projekt) hinzu:
{
"mcpServers": {
"perfetto-mcp": {
"command": "uvx",
"args": ["perfetto-mcp"]
}
}
}Führen Sie diesen Befehl aus. Weitere Informationen finden Sie in der Claude Code MCP-Dokumentation.
# Add to user scope
claude mcp add perfetto-mcp --scope user -- uvx perfetto-mcpOder bearbeiten Sie ~/claude.json (macOS) oder %APPDATA%\Claude\claude.json (Windows):
{
"mcpServers": {
"perfetto-mcp": {
"command": "uvx",
"args": ["perfetto-mcp"]
}
}
}oder fügen Sie es zu .vscode/mcp.json (Projekt) hinzu oder führen Sie den Befehl "MCP: Add Server" aus:
{
"mcpServers": {
"perfetto-mcp": {
"command": "uvx",
"args": ["perfetto-mcp"]
}
}
}Aktivieren Sie es im Agent-Modus von GitHub Copilot Chat.
Bearbeiten Sie ~/.codex/config.toml:
[mcp_servers.perfetto-mcp]
command = "uvx"
args = ["perfetto-mcp"]Optional: Verwendung einer lokalen trace_processor_shell-Binärdatei
Wenn Ihre Netzwerkumgebung Downloads blockiert, setzen Sie
PERFETTO_MCP_TRACE_PROCESSOR_BIN_PATH auf einen absoluten Pfad zu einer lokalen
trace_processor_shell-Binärdatei.
Wenn diese Umgebungsvariable gesetzt ist, verwendet perfetto-mcp diese Binärdatei direkt.
Wenn sie nicht gesetzt ist, bleibt das Standardverhalten von perfetto (Python) unverändert.
Beispiel (mcp.json):
{
"mcpServers": {
"perfetto-mcp": {
"command": "uvx",
"args": ["perfetto-mcp"],
"env": {
"PERFETTO_MCP_TRACE_PROCESSOR_BIN_PATH": "D:/tools/perfetto/trace_processor_shell.exe"
}
}
}
}Beispiel (~/.codex/config.toml):
[mcp_servers.perfetto-mcp]
command = "uvx"
args = ["perfetto-mcp"]
[mcp_servers.perfetto-mcp.env]
PERFETTO_MCP_TRACE_PROCESSOR_BIN_PATH = "D:/tools/perfetto/trace_processor_shell.exe"Lokale Installation (Entwicklungsserver)
cd perfetto-mcp-server
uv sync
uv run mcp dev src/perfetto_mcp/dev.py{
"mcpServers": {
"perfetto-mcp-local": {
"command": "uv",
"args": [
"--directory",
"/path/to/git/repo/perfetto-mcp",
"run",
"-m",
"perfetto_mcp"
],
"env": { "PYTHONPATH": "src" }
}
}
}pip3 install perfetto-mcp
python3 -m perfetto_mcp📖 Verwendung
Beispiel für einen Start-Prompt:
Im Perfetto-Trace sehe ich, dass der FragmentManager 438ms für die Ausführung benötigt. Kannst du herausfinden, warum es so lange dauert?
Erforderliche Parameter
Jedes Tool benötigt diese zwei Eingaben:
Parameter | Beschreibung | Beispiel |
trace_path | Absoluter Pfad zu Ihrem Perfetto-Trace |
|
process_name | Zielprozess/App-Name |
|
In Ihren Prompts
Seien Sie explizit bezüglich des Traces und des Prozesses, stellen Sie Ihrem Prompt folgendes voran:
"Verwende Perfetto-Trace /absoluter/pfad/zu/trace.perfetto-trace für Prozess com.example.app"
Optionale Filter
Viele Tools unterstützen zusätzliche Filter (lassen Sie das jedoch Ihren LLM handhaben):
time_range:
{start_ms: 10000, end_ms: 25000}Tool-spezifische Schwellenwerte:
min_block_ms,jank_threshold_ms,limit
🛠️ Verfügbare Tools
🔎 Erkundung & Entdeckung
Tool | Zweck | Beispiel-Prompt |
| Slice-Namen untersuchen und Hot-Paths lokalisieren | "Finde Slice-Namen, die 'Choreographer' enthalten, und zeige die besten Beispiele" |
| Benutzerdefiniertes PerfettoSQL für fortgeschrittene Analysen ausführen | "Führe benutzerdefiniertes SQL aus, um Threads und Frames in den ersten 30s zu korrelieren" |
🚨 ANR-Analyse
Hinweis: Hilfreich, wenn der aufgezeichnete Trace ein ANR enthält
Tool | Zweck | Beispiel-Prompt |
| ANR-Ereignisse mit Schweregradklassifizierung finden | "Erkenne ANRs in den ersten 10s und fasse den Schweregrad zusammen" |
| Tiefenanalyse von ANR-Ursachen mit gewichteter Wahrscheinlichkeit | "Analysiere die ANR-Hauptursache um 20.000 ms und bewerte wahrscheinliche Ursachen" |
🎯 Performance-Profiling
Tool | Zweck | Beispiel-Prompt |
| CPU-Auslastung auf Thread-Ebene und Scheduling | "Erstelle ein Profil der CPU-Auslastung nach Thread und markiere die heißesten Threads" |
| Längste Haupt-Thread-Operationen finden | "Liste Haupt-Thread-Hotspots >50 ms während 10s–25s auf" |
📱 UI-Performance
Tool | Zweck | Beispiel-Prompt |
| Frames identifizieren, die Deadlines verpassen | "Finde ruckelnde Frames über 16,67 ms und liste die 20 schlimmsten auf" |
| Allgemeine Frame-Gesundheitsmetriken | "Fasse die Frame-Performance zusammen und berichte über die Jank-Rate und P99-CPU-Zeit" |
🔒 Concurrency & IPC
Tool | Zweck | Beispiel-Prompt |
| Synchronisations-Engpässe finden | "Finde Lock-Contention zwischen 15s–30s und zeige die schlimmsten Wartezeiten" |
| Binder-IPC-Performance analysieren | "Erstelle ein Profil langsamer Binder-Transaktionen und gruppiere nach Server-Prozess" |
💾 Speicheranalyse
Tool | Zweck | Beispiel-Prompt |
| Muster anhaltenden Speicherwachstums finden | "Erkenne Speicherleck-Signale über die letzten 60s" |
| Speicherfressende Klassen identifizieren | "Analysiere Heap-Dominator-Klassen und liste die größten Übeltäter auf" |
Ausgabeformat
Alle Tools geben strukturiertes JSON zurück mit:
Summary: Zusammenfassung der Ergebnisse
Details: Tool-spezifische Ergebnisse
Metadata: Ausführungskontext und verwendete Fallbacks
📚 Ressourcen
Trace Processor Python API - Perfettos Python-Schnittstelle
Perfetto SQL Syntax - SQL-Referenz für benutzerdefinierte Abfragen
📄 Lizenz
Apache 2.0 Lizenz. Siehe LICENSE für Details.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Production runtime data for Android and KMP apps (startup, ANRs, slow screens) for coding agents
Watches your live app, explains every problem in plain language and writes the fix prompt.
AI agent observability for production traces, natural-language insights, and improvement loops.
The Polar Signals MCP server enables AI assistants to connect directly with performance profiling data, allowing users to analyze application performance through natural language queries. Key capabilities include querying CPU performance and memory usage, exploring profiling metadata like profile types and labels, and providing AI-driven code optimization suggestions directly within development environments like Claude Code or Cursor.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceEnables natural language querying and analysis of OpenTelemetry traces, metrics, and logs stored in Elasticsearch/OpenSearch, allowing AI assistants to investigate performance issues, find root causes, and explore system behavior.14MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI assistants to analyze Windows WPR/ETW traces (.etl files) using natural language queries, with features like auto-summary, CPU sampling, DPC/ISR analysis, and symbol resolution.14MIT
- AlicenseBqualityDmaintenanceInspect, manage, debug, and run commands on connected Android devices and emulators through natural language.42MIT
- AlicenseNot gradedqualityCmaintenanceEnables users to ask about render performance in React and React Native apps via natural language, exposing tools for listing render hotspots and explaining component re-renders.MIT