Skip to main content
Glama
Prometheus MCP Server

Prometheus MCP Server

by pab1it0

Servidor MCP Prometheus

Un servidor de Protocolo de Contexto Modelo (MCP) para Prometheus.

Esto proporciona acceso a sus métricas y consultas de Prometheus a través de interfaces MCP estandarizadas, lo que permite que los asistentes de IA ejecuten consultas PromQL y analicen sus datos de métricas.

Características

  • [x] Ejecutar consultas PromQL contra Prometheus

  • [x] Descubra y explore métricas

    • [x] Lista de métricas disponibles

    • [x] Obtener metadatos para métricas específicas

    • [x] Ver resultados de consultas instantáneas

    • [x] Ver resultados de consultas de rango con diferentes intervalos de pasos

  • [x] Soporte de autenticación

    • [x] Autenticación básica desde variables de entorno

    • [x] Autorización del token portador desde variables de entorno

  • [x] Compatibilidad con contenedores Docker

  • [x] Proporcionar herramientas interactivas para asistentes de IA

La lista de herramientas es configurable, por lo que puede elegir qué herramientas quiere que estén disponibles para el cliente MCP. Esto resulta útil si no utiliza ciertas funciones o si no desea ocupar demasiado espacio en la ventana de contexto.

Related MCP server: Prometheus MCP Server

Uso

  1. Asegúrese de que su servidor Prometheus sea accesible desde el entorno donde ejecutará este servidor MCP.

  2. Configure las variables de entorno para su servidor Prometheus, ya sea a través de un archivo .env o variables de entorno del sistema:

# 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. Agregue la configuración del servidor al archivo de configuración del cliente. Por ejemplo, para 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"
      }
    }
  }
}

Nota: si ve Error: spawn uv ENOENT en Claude Desktop, es posible que deba especificar la ruta completa a uv o establecer la variable de entorno NO_UV=1 en la configuración.

Uso de Docker

Este proyecto incluye soporte para Docker para una fácil implementación y aislamiento.

Imagen de Docker preconstruida

La forma más sencilla de utilizar este proyecto es con la imagen prediseñada de GitHub Container Registry:

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

También puedes utilizar versiones específicas con etiquetas:

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

Construyendo la imagen de Docker localmente

Si prefieres construir la imagen tú mismo:

docker build -t prometheus-mcp-server .

Ejecutando con Docker

Puedes ejecutar el servidor usando Docker de varias maneras:

Usando Docker Run con la imagen precompilada:

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

Usando docker run con una imagen creada localmente:

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

Usando docker-compose:

Cree un archivo .env con sus credenciales de Prometheus y luego ejecute:

docker-compose up

Ejecutar con Docker en Claude Desktop

Para utilizar el servidor en contenedores con Claude Desktop, actualice la configuración para usar Docker con las variables de entorno:

{
  "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"
      }
    }
  }
}

Esta configuración pasa las variables de entorno de Claude Desktop al contenedor Docker utilizando el indicador -e con solo el nombre de la variable y proporcionando los valores reales en el objeto env .

Nota sobre la implementación de Docker : La configuración de Docker se ha actualizado para que coincida con la estructura del proyecto chess-mcp, que ha demostrado funcionar correctamente con Claude. La nueva implementación utiliza un proceso de compilación multietapa y ejecuta el script de punto de entrada directamente sin un script de shell intermediario. Este enfoque garantiza la correcta gestión de la entrada estándar (stdin) y la salida estándar (stdout) para la comunicación MCP.

Desarrollo

¡Agradecemos sus contribuciones! Abra un problema o envíe una solicitud de incorporación de cambios si tiene alguna sugerencia o mejora.

Este proyecto utiliza uv para gestionar las dependencias. Instale uv siguiendo las instrucciones para su plataforma:

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

Luego puede crear un entorno virtual e instalar las dependencias con:

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

Estructura del proyecto

El proyecto se ha organizado con una estructura de directorio src :

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

Pruebas

El proyecto incluye un conjunto de pruebas integral que garantiza la funcionalidad y ayuda a prevenir regresiones.

Ejecute las pruebas con pytest:

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

# Run the tests
pytest

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

Las pruebas se organizan en:

  • Pruebas de validación de configuración

  • Pruebas de funcionalidad del servidor

  • Pruebas de manejo de errores

  • Pruebas de aplicación principales

Al agregar nuevas funciones, agregue también las pruebas correspondientes.

Herramientas

Herramienta

Categoría

Descripción

execute_query

Consulta

Ejecutar una consulta instantánea de PromQL contra Prometheus

execute_range_query

Consulta

Ejecute una consulta de rango PromQL con hora de inicio, hora de finalización e intervalo de pasos

list_metrics

Descubrimiento

Enumere todas las métricas disponibles en Prometheus

get_metric_metadata

Descubrimiento

Obtener metadatos para una métrica específica

get_targets

Descubrimiento

Obtenga información sobre todos los objetivos de scraping

Licencia

Instituto Tecnológico de Massachusetts (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