Skip to main content
Glama
Prometheus MCP Server

Prometheus MCP Server

by pab1it0

Prometheus MCP Server

Ein Model Context Protocol (MCP)-Server für Prometheus.

Dies ermöglicht den Zugriff auf Ihre Prometheus-Metriken und -Abfragen über standardisierte MCP-Schnittstellen, sodass KI-Assistenten PromQL-Abfragen ausführen und Ihre Metrikdaten analysieren können.

Merkmale

  • [x] PromQL-Abfragen gegen Prometheus ausführen

  • [x] Metriken entdecken und erkunden

    • [x] Liste der verfügbaren Metriken

    • [x] Metadaten für bestimmte Metriken abrufen

    • [x] Sofortige Abfrageergebnisse anzeigen

    • [x] Ergebnisse der Bereichsabfrage mit unterschiedlichen Schrittweiten anzeigen

  • [x] Authentifizierungsunterstützung

    • [x] Grundlegende Authentifizierung über Umgebungsvariablen

    • [x] Bearer-Token-Authentifizierung aus Umgebungsvariablen

  • [x] Unterstützung für Docker-Containerisierung

  • [x] Bereitstellung interaktiver Tools für KI-Assistenten

Die Liste der Tools ist konfigurierbar, sodass Sie auswählen können, welche Tools dem MCP-Client zur Verfügung gestellt werden sollen. Dies ist nützlich, wenn Sie bestimmte Funktionen nicht nutzen oder das Kontextfenster nicht zu sehr beanspruchen möchten.

Related MCP server: Prometheus MCP Server

Verwendung

  1. Stellen Sie sicher, dass Ihr Prometheus-Server von der Umgebung aus zugänglich ist, in der Sie diesen MCP-Server ausführen.

  2. Konfigurieren Sie die Umgebungsvariablen für Ihren Prometheus-Server, entweder über eine .env Datei oder über Systemumgebungsvariablen:

# Required: Prometheus configuration
PROMETHEUS_URL=http://your-prometheus-server:9090

# Optional: Authentication credentials (if needed)
# Choose one of the following authentication methods if required:

# For basic auth
PROMETHEUS_USERNAME=your_username
PROMETHEUS_PASSWORD=your_password

# For bearer token auth
PROMETHEUS_TOKEN=your_token

# Optional: For multi-tenant setups like Cortex, Mimir or Thanos
ORG_ID=your_organization_id
  1. Fügen Sie die Serverkonfiguration zu Ihrer Client-Konfigurationsdatei hinzu. Beispiel für Claude Desktop:

{
  "mcpServers": {
    "prometheus": {
      "command": "uv",
      "args": [
        "--directory",
        "<full path to prometheus-mcp-server directory>",
        "run",
        "src/prometheus_mcp_server/main.py"
      ],
      "env": {
        "PROMETHEUS_URL": "http://your-prometheus-server:9090",
        "PROMETHEUS_USERNAME": "your_username",
        "PROMETHEUS_PASSWORD": "your_password"
      }
    }
  }
}

Hinweis: Wenn in Claude Desktop Error: spawn uv ENOENT angezeigt wird, müssen Sie möglicherweise den vollständigen Pfad zu uv angeben oder die Umgebungsvariable NO_UV=1 in der Konfiguration festlegen.

Docker-Nutzung

Dieses Projekt umfasst Docker-Unterstützung für einfache Bereitstellung und Isolierung.

Vorgefertigtes Docker-Image

Am einfachsten lässt sich dieses Projekt mit dem vorgefertigten Image aus dem GitHub Container Registry verwenden:

docker pull ghcr.io/pab1it0/prometheus-mcp-server:latest

Sie können auch bestimmte Versionen mit Tags verwenden:

docker pull ghcr.io/pab1it0/prometheus-mcp-server:1.0.0

Lokales Erstellen des Docker-Images

Wenn Sie das Image lieber selbst erstellen möchten:

docker build -t prometheus-mcp-server .

Ausführen mit Docker

Sie können den Server mit Docker auf verschiedene Arten ausführen:

Verwenden von Docker Run mit dem vorgefertigten Image:

docker run -it --rm \
  -e PROMETHEUS_URL=http://your-prometheus-server:9090 \
  -e PROMETHEUS_USERNAME=your_username \
  -e PROMETHEUS_PASSWORD=your_password \
  ghcr.io/pab1it0/prometheus-mcp-server:latest

Verwenden von Docker Run mit einem lokal erstellten Image:

docker run -it --rm \
  -e PROMETHEUS_URL=http://your-prometheus-server:9090 \
  -e PROMETHEUS_USERNAME=your_username \
  -e PROMETHEUS_PASSWORD=your_password \
  prometheus-mcp-server

Verwenden von Docker-Compose:

Erstellen Sie eine .env Datei mit Ihren Prometheus-Anmeldeinformationen und führen Sie dann Folgendes aus:

docker-compose up

Ausführen mit Docker in Claude Desktop

Um den Containerserver mit Claude Desktop zu verwenden, aktualisieren Sie die Konfiguration zur Verwendung von Docker mit den Umgebungsvariablen:

{
  "mcpServers": {
    "prometheus": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "-e", "PROMETHEUS_URL",
        "-e", "PROMETHEUS_USERNAME",
        "-e", "PROMETHEUS_PASSWORD",
        "ghcr.io/pab1it0/prometheus-mcp-server:latest"
      ],
      "env": {
        "PROMETHEUS_URL": "http://your-prometheus-server:9090",
        "PROMETHEUS_USERNAME": "your_username",
        "PROMETHEUS_PASSWORD": "your_password"
      }
    }
  }
}

Diese Konfiguration übergibt die Umgebungsvariablen von Claude Desktop an den Docker-Container, indem sie das Flag -e nur mit dem Variablennamen verwendet und die tatsächlichen Werte im env bereitstellt.

Hinweis zur Docker-Implementierung : Das Docker-Setup wurde aktualisiert und entspricht nun der Struktur des Chess-MCP-Projekts, das nachweislich mit Claude einwandfrei funktioniert. Die neue Implementierung verwendet einen mehrstufigen Build-Prozess und führt das Einstiegspunktskript direkt ohne zwischengeschaltetes Shell-Skript aus. Dieser Ansatz gewährleistet die korrekte Handhabung von stdin/stdout für die MCP-Kommunikation.

Entwicklung

Beiträge sind willkommen! Bitte melden Sie ein Problem oder senden Sie einen Pull Request, wenn Sie Vorschläge oder Verbesserungen haben.

Dieses Projekt verwendet uv zur Verwaltung von Abhängigkeiten. Installieren Sie uv gemäß den Anweisungen für Ihre Plattform:

curl -LsSf https://astral.sh/uv/install.sh | sh

Anschließend können Sie eine virtuelle Umgebung erstellen und die Abhängigkeiten mit folgendem Befehl installieren:

uv venv
source .venv/bin/activate  # On Unix/macOS
.venv\Scripts\activate     # On Windows
uv pip install -e .

Projektstruktur

Das Projekt wurde mit einer src Verzeichnisstruktur organisiert:

prometheus-mcp-server/
├── src/
│   └── prometheus_mcp_server/
│       ├── __init__.py      # Package initialization
│       ├── server.py        # MCP server implementation
│       ├── main.py          # Main application logic
├── Dockerfile               # Docker configuration
├── docker-compose.yml       # Docker Compose configuration
├── .dockerignore            # Docker ignore file
├── pyproject.toml           # Project configuration
└── README.md                # This file

Testen

Das Projekt umfasst eine umfassende Testsuite, die die Funktionalität sicherstellt und hilft, Regressionen zu vermeiden.

Führen Sie die Tests mit pytest aus:

# Install development dependencies
uv pip install -e ".[dev]"

# Run the tests
pytest

# Run with coverage report
pytest --cov=src --cov-report=term-missing

Die Tests sind wie folgt organisiert:

  • Konfigurationsvalidierungstests

  • Serverfunktionalitätstests

  • Fehlerbehandlungstests

  • Hauptanwendungstests

Wenn Sie neue Funktionen hinzufügen, fügen Sie bitte auch entsprechende Tests hinzu.

Werkzeuge

Werkzeug

Kategorie

Beschreibung

execute_query

Abfrage

Führen Sie eine PromQL-Sofortabfrage gegen Prometheus aus

execute_range_query

Abfrage

Führen Sie eine PromQL-Bereichsabfrage mit Startzeit, Endzeit und Schrittintervall aus

list_metrics

Entdeckung

Listen Sie alle verfügbaren Metriken in Prometheus auf

get_metric_metadata

Entdeckung

Abrufen von Metadaten für eine bestimmte Metrik

get_targets

Entdeckung

Erhalten Sie Informationen zu allen Scrape-Zielen

Lizenz

MIT


Available Tools

6 tools
execute_queryExecute PromQL QueryC
Read-onlyIdempotent

Execute a PromQL instant query against Prometheus

Inputs: query (required), time. Returns: object

execute_range_queryExecute PromQL Range QueryB
Read-onlyIdempotent

Execute a PromQL range query with start time, end time, and step interval

Inputs: query (required), start (required), end (required), step (required). Returns: object

get_metric_metadataGet Metric MetadataA
Read-onlyIdempotent

Get metadata (type, help, unit) for metrics. Returns all metric metadata when no metric name is provided. Use filter_pattern to search metric names and descriptions.

Inputs: metric, filter_pattern, limit, offset. Returns: result

get_targetsGet Scrape TargetsA
Read-onlyIdempotent

Get information about all scrape targets

Inputs: no named parameters. Returns: object

health_checkHealth CheckA
Read-onlyIdempotent

Health check endpoint for container monitoring and status verification

Inputs: no named parameters. Returns: object

list_metricsList Available MetricsA
Read-onlyIdempotent

List all available metrics in Prometheus with optional pagination support

Inputs: limit, offset, filter_pattern, refresh_cache. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.7/5.0

    Scored across 6 tools

    Disambiguation5/5

    Each tool has a clearly distinct purpose: query types (instant vs range), metadata retrieval, target info, health check, and metric listing. No overlap.

    Naming Consistency5/5

    All tool names follow a consistent verb_noun pattern in snake_case (e.g., execute_query, get_metric_metadata). No deviations.

    Tool Count5/5

    Six tools cover the essential Prometheus operations without being excessive or insufficient. Well-scoped for the server's purpose.

    Completeness4/5

    Core CRUD-like operations for queries and metadata are present. Minor gaps like alert management or rule configuration are missing but not critical for the primary use case.

    Maintenance

    ActivityMaintained
    ResponsivenessLimited data

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      A tool that enables access to Prometheus metrics data through a Model Context Protocol server, allowing interaction with monitoring data using natural language.
      MIT
    • A
      license
      B
      quality
      D
      maintenance
      A Model Context Protocol server that enables AI assistants to query Prometheus metrics, discover available data, and analyze system performance through natural language interactions.
      5
      224 npm
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI assistants to query Prometheus metrics, monitor alerts, and analyze system health through read-only access to your Prometheus server with built-in query safety and optional AI-powered metric analysis.
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI assistants to execute PromQL queries and discover metrics across multiple Prometheus tenants using the Model Context Protocol. It supports single and multi-tenant configurations with secure authentication for instant and range query analysis.
      MIT

    Appeared in Searches