datadog-aws-mcp

Servidor MCP de solo lectura que expone herramientas para consultar Datadog (monitores y logs) y AWS CloudWatch Logs, y para agrupar errores recurrentes por "fingerprint" (huella del mensaje de error).

Está pensado para usarse junto con Claude Code: Claude consulta estas herramientas para diagnosticar qué está fallando, y luego usa sus capacidades normales de git (crear rama, editar código, commit, push, abrir PR) para proponer un fix — con revisión humana antes de mergear o desplegar.

Instalación

cd datadog-aws-mcp
pip install -r requirements.txt --break-system-packages
cp .env.example .env
# edita .env con tus API keys de Datadog
# configura credenciales de AWS con `aws configure` o variables de entorno

Related MCP server: NewRelic MCP Server

Herramientas expuestas

Ninguna herramienta escribe, borra ni modifica nada en Datadog o AWS — son de solo lectura a propósito. Las 3 herramientas de historial de incidentes sí escriben, pero solo en un archivo local del propio MCP (incident_history.json), nunca en Datadog/AWS/tu repo.

Modo experto: el archivo PLAYBOOK.md

PLAYBOOK.md contiene las instrucciones que convierten esto en un agente de triage nivel senior/experto, no un script ciego: diagnóstico documentado antes de tocar código, clasificación explícita de la causa, auto-revisión del propio fix, y memoria de incidentes pasados vía check_known_incident / record_incident_resolution.

Pega el contenido de PLAYBOOK.md en el CLAUDE.md de tu repo (o pásaselo como instrucción al inicio de la sesión de Claude Code) para que Claude siga ese flujo por defecto.

Registrarlo en Claude Code / Claude Desktop

Copia claude_mcp_config.example.json a la ubicación de configuración de MCP que use tu instalación de Claude Code/Desktop (revisa la doc oficial en docs.claude.com, el nombre y ruta exactos del archivo de config puede variar según versión) y ajusta la ruta absoluta a server.py.

Una vez registrado, en una sesión de Claude Code podrías pedir algo como:

"Revisa find_recurring_errors con datadog_query='service:checkout status:error' y log_group='/aws/lambda/checkout-prod' de las últimas 24 horas. Si hay algún error que se repita 5+ veces y parezca originarse en nuestro código (no en un servicio externo), crea una rama fix/<descripcion-corta>, corrígelo, corre los tests, y abre un PR con la explicación del diagnóstico. No hagas merge ni despliegues."

Flujo recomendado de extremo a extremo

1. Disparo: un cron, un webhook de Datadog, o tú manualmente, inician una sesión de Claude Code.

2. Diagnóstico: Claude llama a find_recurring_errors para ver qué se repite y con qué frecuencia.

3. Decisión: le indicas (o Claude decide según tus instrucciones) si el patrón corresponde a un bug de código del repo vs. un problema de infraestructura/datos externos.

4. Fix propuesto: Claude crea una rama, edita el código, corre tests localmente.

5. Revisión humana: Claude abre un Pull Request con el diagnóstico y el fix. Un humano revisa y aprueba.

6. Despliegue: lo dispara tu pipeline de CI/CD existente (GitHub Actions, GitLab CI, CodePipeline, etc.) tras el merge — no el MCP.

Seguridad

• Usa credenciales de solo lectura para Datadog y AWS en este servidor.

• Nunca subas tu archivo .env real a git (ya debería estar en .gitignore de tu proyecto).

• El paso de despliegue automático queda deliberadamente fuera de este MCP; añádelo solo si tu equipo decide asumir ese riesgo, y hazlo con aprobaciones explícitas (ej. un "approve" manual en el PR o en el pipeline) en vez de un despliegue directo sin supervisión.

Contribuir

Este proyecto está en etapa temprana y las contribuciones son bienvenidas — desde reportar bugs hasta agregar soporte para otros proveedores de observabilidad. Revisa CONTRIBUTING.md para la guía de cómo participar.

Licencia

MIT © 2026 Edixon Morales