Logfire MCP Server
OfficialServidor MCP de Logfire
Este repositorio contiene un servidor de Protocolo de contexto de modelo (MCP) con herramientas que pueden acceder a los seguimientos y métricas de OpenTelemetry que ha enviado a Logfire.
Este servidor MCP permite a los LLM recuperar datos de telemetría de su aplicación, analizar seguimientos distribuidos y utilizar los resultados de consultas SQL arbitrarias ejecutadas mediante las API de Logfire.
Herramientas disponibles
find_exceptions- Obtener recuentos de excepciones de los seguimientos agrupados por archivoArgumentos obligatorios:
age(int): Número de minutos para mirar hacia atrás (por ejemplo, 30 para los últimos 30 minutos, máximo 7 días)
find_exceptions_in_file: obtiene información de seguimiento detallada sobre las excepciones en un archivo específicoArgumentos obligatorios:
filepath(cadena): Ruta al archivo a analizarage(int): Número de minutos para mirar atrás (máximo 7 días)
arbitrary_query: ejecuta consultas SQL personalizadas en tus seguimientos y métricas de OpenTelemetryArgumentos obligatorios:
query(cadena): consulta SQL a ejecutarage(int): Número de minutos para mirar atrás (máximo 7 días)
get_logfire_records_schema: obtiene el esquema de OpenTelemetry para ayudar con consultas personalizadasNo se requieren argumentos
Related MCP server: Observe MCP Server
Configuración
Instalar uv
Lo primero que debe hacer es asegurarse de que uv esté instalado, ya que uv se utiliza para ejecutar el servidor MCP.
Para obtener instrucciones de instalación, consulte los documentos de instalación uv .
Si ya tiene instalada una versión anterior de uv , es posible que necesite actualizarla con uv self update .
Obtener un token de lectura de Logfire
Para realizar solicitudes a las API de Logfire, el servidor Logfire MCP requiere un "token de lectura".
Puede crear uno en la sección "Tokens de lectura" de la configuración de su proyecto en Logfire: https://logfire.pydantic.dev/-/redirect/latest-project/settings/read-tokens
[!IMPORTANTE] Los tokens de lectura de Logfire son específicos del proyecto, por lo que debe crear uno para el proyecto específico que desea exponer al servidor Logfire MCP.
Ejecutar el servidor manualmente
Una vez que tenga uv instalado y tenga un token de lectura de Logfire, puede ejecutar manualmente el servidor MCP usando uvx (que es proporcionado por uv ).
Puede especificar su token de lectura utilizando la variable de entorno LOGFIRE_READ_TOKEN :
LOGFIRE_READ_TOKEN=YOUR_READ_TOKEN uvx logfire-mcpo usando el indicador --read-token :
uvx logfire-mcp --read-token=YOUR_READ_TOKEN[!NOTA]
Si utiliza Cursor, Claude Desktop, Cline u otros clientes MCP que administran sus servidores MCP, NO necesita ejecutar el servidor manualmente. La siguiente sección le mostrará cómo configurar estos clientes para usar el servidor MCP de Logfire.
Configuración con clientes MCP conocidos
Configurar para el cursor
Cree un archivo .cursor/mcp.json en la raíz de su proyecto:
{
"mcpServers": {
"logfire": {
"command": "uvx",
"args": ["logfire-mcp", "--read-token=YOUR-TOKEN"]
}
}
}El cursor no acepta el campo env , por lo que debe utilizar el indicador --read-token en su lugar.
Configurar para Claude Desktop
Añade a tu configuración de Claude:
{
"command": ["uvx"],
"args": ["logfire-mcp"],
"type": "stdio",
"env": {
"LOGFIRE_READ_TOKEN": "YOUR_TOKEN"
}
}Configurar para Cline
Agregue a su configuración de Cline en cline_mcp_settings.json :
{
"mcpServers": {
"logfire": {
"command": "uvx",
"args": ["logfire-mcp"],
"env": {
"LOGFIRE_READ_TOKEN": "YOUR_TOKEN"
},
"disabled": false,
"autoApprove": []
}
}
}Personalización - URL base
De forma predeterminada, el servidor se conecta a la API de Logfire en https://logfire-api.pydantic.dev . Puede anular esto mediante:
Usando el argumento
--base-url:
uvx logfire-mcp --base-url=https://your-logfire-instance.comConfiguración de la variable de entorno:
LOGFIRE_BASE_URL=https://your-logfire-instance.com uvx logfire-mcpEjemplos de interacciones
Encuentre todas las excepciones en los seguimientos de la última hora:
{
"name": "find_exceptions",
"arguments": {
"age": 60
}
}Respuesta:
[
{
"filepath": "app/api.py",
"count": 12
},
{
"filepath": "app/models.py",
"count": 5
}
]Obtenga detalles sobre las excepciones de los seguimientos en un archivo específico:
{
"name": "find_exceptions_in_file",
"arguments": {
"filepath": "app/api.py",
"age": 1440
}
}Respuesta:
[
{
"created_at": "2024-03-20T10:30:00Z",
"message": "Failed to process request",
"exception_type": "ValueError",
"exception_message": "Invalid input format",
"function_name": "process_request",
"line_number": "42",
"attributes": {
"service.name": "api-service",
"code.filepath": "app/api.py"
},
"trace_id": "1234567890abcdef"
}
]Ejecutar una consulta personalizada en los seguimientos:
{
"name": "arbitrary_query",
"arguments": {
"query": "SELECT trace_id, message, created_at, attributes->>'service.name' as service FROM records WHERE severity_text = 'ERROR' ORDER BY created_at DESC LIMIT 10",
"age": 1440
}
}Ejemplos de preguntas para Claude
"¿Qué excepciones ocurrieron en los seguimientos de la última hora en todos los servicios?"
"Muéstrame los errores recientes en el archivo 'app/api.py' con su contexto de seguimiento"
"¿Cuántos errores hubo en las últimas 24 horas por servicio?"
"¿Cuáles son los tipos de excepciones más comunes en mis seguimientos, agrupados por nombre de servicio?"
"Consígueme el esquema de OpenTelemetry para seguimientos y métricas"
"Encuentra todos los errores de ayer y muestra sus contextos de seguimiento"
Empezando
Primero, obtenga un token de lectura de Logfire desde: https://logfire.pydantic.dev/-/redirect/latest-project/settings/read-tokens
Ejecute el servidor MCP:
uvx logfire-mcp --read-token=YOUR_TOKENConfigure su cliente preferido (Cursor, Claude Desktop o Cline) utilizando los ejemplos de configuración anteriores
¡Comience a utilizar el servidor MCP para analizar sus seguimientos y métricas de OpenTelemetry!
Contribuyendo
Agradecemos sus contribuciones para mejorar el servidor Logfire MCP. Ya sea que desee agregar nuevas herramientas de análisis de trazas, mejorar la funcionalidad de consulta de métricas o mejorar la documentación, su opinión es valiosa.
Para obtener ejemplos de otros servidores MCP y patrones de implementación, consulte el repositorio de servidores de Protocolo de contexto de modelo .
Licencia
Logfire MCP cuenta con la licencia MIT. Esto significa que usted tiene libertad de usar, modificar y distribuir el software, sujeto a los términos y condiciones de la licencia MIT.
Available Tools
4 toolsarbitrary_queryB
Run an arbitrary query on the Pydantic Logfire database.
The SQL reference is available via the `sql_reference` tool.
Inputs: query (required), age (required). Returns: result
find_exceptions_in_fileA
Get the details about the 10 most recent exceptions on the file.
Inputs: filepath (required), age (required). Returns: result
logfire_linkA
Creates a link to help the user to view the trace in the Logfire UI.
Inputs: trace_id (required). Returns: result
schema_referenceA
The database schema for the Logfire DataFusion database.
This includes all tables, columns, and their types as well as descriptions.
For example:
```sql
-- The records table contains spans and logs.
CREATE TABLE records (
message TEXT, -- The message of the record
span_name TEXT, -- The name of the span, message is usually templated from this
trace_id TEXT, -- The trace ID, identifies a group of spans in a trace
exception_type TEXT, -- The type of the exception
exception_message TEXT, -- The message of the exception
-- other columns...
);
```
The SQL syntax is similar to Postgres, although the query engine is actually Apache DataFusion.
To access nested JSON fields e.g. in the `attributes` column use the `->` and `->>` operators.
You may need to cast the result of these operators e.g. `(attributes->'cost')::float + 10`.
You should apply as much filtering as reasonable to reduce the amount of data queried.
Filters on `start_timestamp`, `service_name`, `span_name`, `metric_name`, `trace_id` are efficient.
Inputs: no named parameters. Returns: result
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 4 tools
Each tool serves a unique purpose: querying, exception viewing, link generation, and schema reference. No overlap or ambiguity.
All tools use consistent snake_case naming with clear verbs (arbitrary_query, find_exceptions_in_file, logfire_link, schema_reference).
With 4 tools, the set is concise and well-scoped for querying and debugging Logfire databases, covering key workflows without bloat.
The set covers querying, schema exploration, exception analysis, and UI linking. Missing explicit write operations, but that may be by design.
Maintenance
Related MCP Connectors
Enable secure connectivity between Sentry issues and debugging data, and LLM clients, using a Model Context Protocol (MCP) server.
Query application logs, traces, and metrics from your AI coding assistant via Foam's MCP server.
A comprehensive Model Context Protocol (MCP) server that enables AI assistants to interact with yo…
A Model Context Protocol server for Wix AI tools
Related MCP Servers
- AlicenseBqualityNot gradedmaintenanceA Model Context Protocol server that enables AI assistants to interact with Datadog's observability platform through natural language.72MIT
- AlicenseNot gradedqualityNot gradedmaintenanceA Model Context Protocol server that provides access to Observe API functionality, enabling LLMs to execute OPAL queries, manage datasets/monitors, and leverage vector search for documentation and troubleshooting runbooks.1-
- AlicenseBqualityDmaintenanceModel Context Protocol server for Langfuse observability. Query traces, analyze accuracy, detect failures, track costs, debug latency, manage prompts and datasets.582MIT
- AlicenseAqualityCmaintenanceA Model Context Protocol server that enables LLMs to interact with MLflow tracking servers, allowing users to query experiments, analyze runs, compare metrics, manage the model registry, and promote models through natural language.40338 PyPI15MIT