mcp-context-inspector

Ein Drop-in-MCP-Server und Aufzeichnungsmodul für Ausführungsmetriken für jeden Tool-aufrufenden Agenten. Richten Sie die Schleife Ihres Agenten nach jedem Durchlauf auf record_session(prompt, model_id, loop_result) aus, und Sie erhalten kostenlos:

• Einen echten MCP-Server (Streamable HTTP), mit dem jeder MCP-Client eine Verbindung herstellen kann – Claude Desktop, Cursor, Ihre eigene Chat-Oberfläche – der 7 schreibgeschützte Tools über Sitzungsverlauf, Kosten, Token-/Tool-Metriken bereitstellt, und...

• Den Context Window Explorer – vollständige Transparenz darüber, was genau in das Kontextfenster des Modells gelangt ist, Block für Block, mit ehrlichen (explizit als geschätzt gekennzeichneten) Token-Zahlen, einem proportionalen segmentierten Balken und einem erweiterbaren Detailbereich pro Block:

  

  (Screenshot aus der Referenz-Chat-Oberfläche, die zusammen mit diesem Paket entwickelt wurde – sre-investigation-agent; das obige Panel ist das, was jeder MCP-Client erhält, sobald er get_context_timeline abfragt.)

Die meisten Agenten-Beobachtbarkeitstools zeigen Ihnen erneut Daten an, die Ihre eigene Oberfläche bereits angezeigt hat. Dieses Tool zeigt Ihnen etwas, das Sie normalerweise überhaupt nicht sehen können: System-Prompt vs. Tool-Spezifikationen vs. Reasoning vs. Tool-Aufruf/Ergebnis vs. finale Antwort, in der Reihenfolge, in der sie tatsächlich in den Kontext gelangt sind, mit einer laufenden Token-Gesamtsumme gegen das tatsächliche Kontextfenster des Modells – und welche dieser Blöcke für den Endbenutzer sichtbar sind vs. unsichtbarer Overhead.

Installieren

uv add mcp-context-inspector   # or: pip install mcp-context-inspector
# while co-developing locally against an editable checkout:
uv add --editable ../mcp-context-inspector

Related MCP server: ai-usage-metrics-mcp

Binden Sie es in Ihren Agenten ein

from metrics import store

session_id = store.record_session(prompt, model_id, loop_result)

loop_result ist das, was Ihre Agentenschleife zurückgibt – dieses Paket benötigt es nur, damit es wie folgt aussieht:

{
    "trace": [{"tool": "...", "args": {...}, "status": "ok"}, ...],
    "turns": [{"input_tokens": int, "output_tokens": int, "latency_ms": int}, ...],
    "input_tokens": int, "output_tokens": int, "total_tokens": int, "latency_ms": int,
    "context_blocks": [   # optional — omit and you just lose the Explorer, nothing crashes
        {"category": "system", "label": "...", "char_count": int, "token_estimate": int, "turn_n": int | None},
        ...
    ],
}

context_blocks-Kategorien: system, tools, user, reasoning, thinking, tool_call, tool_result (optional mit einem "status"-Schlüssel zur farblichen Kennzeichnung von Fehlern), answer.

Server ausführen

uv run python -m mcp_server.server

Kein MCP_AUTH_TOKEN gesetzt → generiert und gibt einen beim Start aus, dasselbe Vertrauensmodell wie der ausgegebene Token eines Jupyter-Servers. Setzen Sie ihn selbst für einen stabilen Wert über Neustarts hinweg. Richten Sie einen beliebigen MCP-Client auf http://127.0.0.1:8787/mcp mit Authorization: Bearer <token> aus.

Speicher-Backends

STORAGE_BACKEND=sqlite (Standard, lokale Entwicklung – data/metrics.db) oder STORAGE_BACKEND=dynamodb (setzen Sie METRICS_TABLE/AWS_REGION) – gleiche Funktionssignaturen in beiden Fällen, Aufrufer wissen nie, welches aktiv ist.

Die 7 MCP-Tools

get_session_metrics, get_token_breakdown, get_tool_metrics, get_agent_trace, get_cost_estimate, get_recent_sessions, get_context_timeline. Einfache REST-Äquivalente werden ebenfalls unter /api/* bereitgestellt – eine curl-freundliche Debugging-Alternative, die dieselben zugrunde liegenden metrics/store.py-Funktionen aufruft.

Verwandte Repos

sre-investigation-agent – die Referenz-Chat-Oberfläche und der Bedrock-Agent, aus dem dieses Paket extrahiert wurde und zusammen mit dem es entwickelt wird.