mcp-context-inspector

Готовый MCP-сервер + запись метрик выполнения для любого агента, вызывающего инструменты. Направьте цикл вашего агента на record_session(prompt, model_id, loop_result) после каждого запуска — и вы получите бесплатно:

• Настоящий MCP-сервер (Streamable HTTP), к которому может подключиться любой MCP-клиент — Claude Desktop, Cursor, ваш собственный чат-интерфейс, — предоставляющий 7 инструментов только для чтения по истории сессий, стоимости, метрикам токенов/инструментов, а также...

• The Context Window Explorer — полная прозрачность того, что именно попало в контекстное окно модели, блок за блоком, с честными (явно помеченными как оценочные) подсчётами токенов, пропорциональной сегментированной полосой и детальной панелью с раскрытием по клику для каждого блока:

  

  (скриншот из эталонного чат-интерфейса, в связке с которым создавался этот пакет — sre-investigation-agent; панель выше — это то, что получает любой MCP-клиент, когда запрашивает get_context_timeline.)

Большинство инструментов наблюдаемости для агентов просто показывают вам те же данные, которые уже отображаются в вашем собственном UI. Этот инструмент показывает то, что обычно вообще невозможно увидеть: системный промпт vs. спецификации инструментов vs. рассуждения vs. вызов инструмента/результат vs. окончательный ответ, в том порядке, в котором они действительно попадали в контекст, с нарастающим итогом токенов относительно реального контекстного окна модели — а также какие из этих блоков когда-либо видны конечному пользователю, а какие являются невидимыми накладными расходами.

Установка

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

Подключите к вашему агенту

from metrics import store

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

loop_result — это то, что возвращает цикл вашего агента; этому пакету нужно, чтобы оно выглядело так:

{
    "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 категории: system, tools, user, reasoning, thinking, tool_call, tool_result (опционально содержит ключ "status" для цветовой кодировки ошибок), answer.

Запуск сервера

uv run python -m mcp_server.server

Если не задан MCP_AUTH_TOKEN — он генерируется и выводится при запуске, та же модель доверия, что и у выводимого токена Jupyter-сервера. Задайте его самостоятельно для стабильного значения между перезапусками. Подключайте любой MCP-клиент к http://127.0.0.1:8787/mcp с заголовком Authorization: Bearer <token>.

Бэкенды хранения

STORAGE_BACKEND=sqlite (по умолчанию, локальная разработка — data/metrics.db) или STORAGE_BACKEND=dynamodb (задайте METRICS_TABLE/AWS_REGION) — сигнатуры функций одинаковы в обоих случаях, вызывающий код никогда не знает, какой активен.

7 инструментов MCP

get_session_metrics, get_token_breakdown, get_tool_metrics, get_agent_trace, get_cost_estimate, get_recent_sessions, get_context_timeline. Обычные REST-эквиваленты также доступны по адресу /api/* — альтернатива для отладки через curl, вызывающая те же функции из metrics/store.py.

Связанные репозитории

sre-investigation-agent — эталонный чат-интерфейс + Bedrock-агент, из которого этот пакет был выделен и вместе с которым он разрабатывается.