MCP-сервер (Model Context Protocol), который предоставляет AI-агентам — Claude Desktop, Claude Code, Devin или любому MCP-совместимому клиенту — две возможности для работы с задачами Apache Spark:
🔴 diagnose_spark_failure — задача Spark завершилась с ошибкой; получите первопричину и конкретное исправление, основанное на фактическом журнале ошибок и конкретном коде, который не сработал.
🟢 optimize_spark_performance — задача Spark выполнилась, но работает медленно или требует больших затрат; получите адресные рекомендации по настройке, основанные на фактах.
Создан инженером данных с 12+ годами практического опыта работы с Apache Spark, чтобы перенести тот самый инстинкт отладчика — «о каком именно файле на самом деле говорит эта ошибка и почему» — в процесс с использованием ИИ.
Сбои Spark обычно можно диагностировать по одному лишь журналу, но чтение стек-трейса на 200 строк, сопоставление его с нужным файлом в большой кодовой базе с множеством задач и понимание, какая из дюжины возможных причин действительно имеет место, требует реального опыта работы со Spark. Этот инструмент автоматизирует этот первый этап: он находит релевантный код (а не весь репозиторий), передаёт его LLM вместе с журналом и возвращает структурированный диагноз, который можно проверить и на основе которого можно действовать.
Related MCP server: Spark MCP Optimizer
Особенность дизайна | Почему это важно |
Не зависит от источника — EMR (ID кластера + шага) или локальная папка | Работает независимо от того, выполняется ли ваша задача в AWS или локально/on-prem |
Не зависит от провайдера — Bedrock, Anthropic, OpenAI или ничего | Отсутствие привязки к вендору; |
Умный выбор файлов | В крупных проектах выполняется много задач — этот инструмент разбирает стек-трейс из журнала ошибок (Python и Scala/Java, включая смешанные PySpark-трейсы), чтобы включить только те конкретные файлы, которые связаны со сбоем, максимум 10 файлов, вместо того чтобы сбрасывать всю кодовую базу в промпт |
Никаких встроенных учётных данных, никогда | Каждый пользователь использует свои собственные учётные данные AWS и/или LLM. Этот инструмент не передаёт между пользователями доступ или платёжную информацию |
На основе этого примера журнала ошибок Scala и его соответствующих файлов проекта функция diagnose_spark_failure (при настроенном провайдере) возвращает:
ROOT CAUSE:
CustomerHelper.validate() calls .trim() on the "email" field without
checking for null first. Records with a missing email cause a
NullPointerException, which aborts the job after 4 failed task retries.
EVIDENCE:
- Caused by: java.lang.NullPointerException: Cannot invoke "String.trim()"
because "email" is null
- at com.company.jobs.CustomerHelper$.validate(CustomerHelper.scala:22)
- Source shows: email.trim().nonEmpty with no null check beforehand
SUGGESTED FIX:
def validate(row: Row): Boolean = {
val email = Option(row.getAs[String]("email"))
email.exists(_.trim.nonEmpty)
}
CONFIDENCE: HighОбратите внимание: инструмент автоматически подтянул CustomerHelper.scala (файл, на который на самом деле указывает Caused by из трейса), а не весь проект и даже не корневой входной файл CustomerOrderJoin.scala — потому что парсер стек-трейса определил самый глубокий значимый фрейм.
pip install spark-sense-aiУстанавливайте дополнительные зависимости только под то, что реально будете использовать:
pip install spark-sense-ai[aws] # for EMR source or Bedrock provider
pip install spark-sense-ai[anthropic] # for provider="anthropic"
pip install spark-sense-ai[openai] # for provider="openai"
pip install spark-sense-ai[all] # everythingprovider="none" с source_type="local" вообще не требует дополнительных зависимостей — только базовую зависимость mcp.
# | Источник журнала/кода | LLM-провайдер | Требуются доп. зависимости | Нужны ли учётные данные AWS? |
1 | Кластер EMR + шаг | Bedrock |
| Да — для получения и диагностики |
2 | Кластер EMR + шаг | Anthropic / OpenAI |
| Да — только для получения |
3 | Локальная папка | Нет (агент анализирует сам, например внутри Devin) | нет | Нет |
4 | Локальная папка | Anthropic / OpenAI |
| Нет |
Учётные данные AWS при необходимости подхватываются автоматически из вашего существующего окружения (aws configure, назначенная IAM-роль или стандартные переменные окружения AWS_*) — они никогда не передаются как параметр инструмента.
Отредактируйте claude_desktop_config.json:
{
"mcpServers": {
"sparksense": {
"command": "sparksense-mcp",
"env": {
"SPARKSENSE_AWS_REGION": "ap-south-1"
}
}
}
}claude mcp add sparksense -- sparksense-mcpСм. документацию Devin по MCP — там описан актуальный способ настройки для вашего режима агента Devin (Cascade и Devin Local используют немного разные расположения конфигурации). Укажите команду sparksense-mcp так же, как показано выше.
«Моя задача Spark завершилась ошибкой — кластер EMR j-ABC123, шаг s-XYZ789. Используй sparksense, чтобы диагностировать её с помощью Bedrock.»
«Вот журнал моей локальной задачи в
./logs/error.logи код в./src— диагностируй сбой.»
«Я знаю, что упал именно
jobs/customer_order_join.py— используй sparksense с этим в качестве точки входа.»
«Используй sparksense, чтобы получить журнал из
./logs/job.log— я сам его изучу.» (provider="none"— инструмент только получает данные; анализ выполняет вызывающий агент)
«Моя задача выполнилась, но заняла 40 минут. Используй sparksense, чтобы проверить статистику выполнения на предмет возможностей оптимизации.»
diagnose_spark_failureПараметр | Обязательный | Примечания |
| Да |
|
| Если | |
| Если | |
| Нет | S3 URI исходного кода |
| Если | Файл или папка |
| Нет | Локальная папка с исходным кодом |
| Нет | Конкретное имя файла или относительный путь для прямого использования, без автоматического извлечения — лучше всего, когда вы уже знаете, какая задача не сработала |
| Нет (по умолчанию |
|
| Нет | Для anthropic/openai; в противном случае читает |
optimize_spark_performanceТе же параметры, что и выше, плюс:
Параметр | Обязательный | Примечания |
| Нет | Память исполнителя, ядра, количество партиций при shuffle и т.д. |
1. job_entry_point given?
→ use ONLY that file. No auto-extraction.
2. Else, parse the error log for:
→ Python: File "<path>", line <N>
→ Scala/Java: at <package>.<Class>.<method>(<Filename>:<N>)
(handles mixed PySpark traces — Python frames bottoming into JVM
frames — by scanning for both patterns in the same log)
→ filters out framework/library internals (site-packages, pyspark,
org.apache.spark, scala.*, java.*, etc.)
→ fetches up to 10 matched files
3. Else, fallback: broad scan of the project folder, capped at 10 filesПеременная | По умолчанию | Назначение |
|
| Регион для вызовов EMR/S3/Bedrock |
|
| Модель Bedrock для использования |
| — | Используется, если |
| — | Используется, если |
git clone https://github.com/YOUR_GITHUB_USERNAME/spark-sense-ai.git
cd spark-sense-ai
pip install -e ".[all]"
# Local source + Anthropic provider, includes Python and Scala samples
export ANTHROPIC_API_KEY="sk-ant-..."
python tests/test_local_anthropic.py
# EMR source + Bedrock provider (needs a real EMR cluster/step)
aws configure
python tests/test_emr_bedrock.py --cluster-id j-XXXXXXX --step-id s-XXXXXXXОба скрипта сначала выполняют бесплатную проверку без вызовов API (provider="none"), прежде чем совершать какие-либо платные вызовы LLM.
Автоматический запуск через Lambda/EventBridge по завершении задач EMR/Glue
Databricks как третий source_type
Интеграция со структурированным API Spark History Server
Обнаружение перекоса данных с помощью статистики на уровне партиций
MIT — см. LICENSE.
Diagnose why an Apache Spark job failed.
Args: source_type: Where to fetch the log/code from - "emr" or "local". emr_cluster_id: EMR cluster ID (required if source_type="emr"). emr_step_id: EMR step ID (required if source_type="emr"). s3_project_location: Optional S3 URI to the job's source code (used only if source_type="emr"). local_log_path: Path to a local log file or folder (required if source_type="local"). local_project_path: Optional local folder containing the job's source code (used only if source_type="local"). job_entry_point: Optional filename/relative path of the specific job file that ran (e.g. "jobs/customer_order_join.py"). If given, ONLY this file is used as code context - skips auto-extraction entirely. Best used when the caller already knows which job failed. If omitted, the tool automatically parses the error log's stack trace (Python and/or Scala/Java patterns - handles mixed PySpark traces) to find the relevant file(s) in the project, up to 10 files, filtering out framework/library internals. This keeps large, multi-job projects from having their entire codebase sent to the model - only the code actually implicated by the failure is included. provider: Which LLM does the reasoning - "bedrock", "anthropic", "openai", or "none" (default). "none" returns the fetched log/code as-is, for the CALLING AGENT to diagnose itself - no LLM call is made by this tool in that case. api_key: API key for "anthropic" or "openai" providers. If omitted, reads from the ANTHROPIC_API_KEY / OPENAI_API_KEY environment variable. Not used for "bedrock" (uses locally configured AWS credentials) or "none".
Returns: A structured diagnosis (root cause, evidence, fix, confidence) if a provider is set, or the raw fetched log/code for the calling agent to analyze if provider="none".
| Name | Required | Description | Default |
|---|---|---|---|
| api_key | No | ||
| provider | No | none | |
| emr_step_id | No | ||
| source_type | Yes | ||
| emr_cluster_id | No | ||
| local_log_path | No | ||
| job_entry_point | No | ||
| local_project_path | No | ||
| s3_project_location | No |
| Name | Required | Description |
|---|---|---|
| result | Yes |
Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?
The annotations (readOnlyHint=true, idempotentHint=true, destructiveHint=false) are consistent with the description, which implies fetch-and-analyze operations with no side effects. The description adds transparency about the optional LLM call and the 'none' provider returning raw data, which is valuable context beyond the annotations. No contradictions found.
Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.
Is the description appropriately sized, front-loaded, and free of redundancy?
The description is long but well-structured, with clear sections for parameters and returns. Each piece of information serves a purpose (e.g., explaining conditional requirements, provider options, and the detection algorithm). While slightly verbose, the complexity of the tool justifies the length. It is not padded with irrelevant details.
Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.
Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?
Given the tool's complexity (multiple providers, conditional parameters, return type variations), the description is exceptionally complete. It covers return values for both provider and 'none' cases, explains the code extraction logic, and provides examples. No missing information that an agent would need to call this tool correctly.
Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.
Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?
Despite the schema having zero description coverage, the tool description explains every parameter in detail, including conditional requirements (e.g., 'required if source_type="emr"'), defaults, environment variable fallbacks, and the behavior of job_entry_point. It even includes an example and explains the auto-extraction logic. This fully compensates for the schema's lack of per-parameter descriptions.
Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.
Does the description clearly state what the tool does and how it differs from similar tools?
The description opens with a specific verb and object: 'Diagnose why an Apache Spark job failed.' This clearly distinguishes the tool from the sibling 'optimize_spark_performance' by focusing on failure diagnosis rather than performance tuning. The purpose is unambiguous and immediately actionable.
Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.
Does the description explain when to use this tool, when not to, or what alternatives exist?
The description provides thorough guidance on when to use the tool and how to configure it for different scenarios (source_type, provider, conditional parameters). It explains fallback behavior (env vars, 'none' provider) and the logic for auto-extraction. However, it does not explicitly contrast with the sibling tool, relying instead on the name difference. This is a minor gap, keeping it from a perfect score.
Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.
Analyze a successful Spark job's execution log/stats and suggest performance optimizations.
Args: source_type: Where to fetch the log/code from - "emr" or "local". emr_cluster_id: EMR cluster ID (required if source_type="emr"). emr_step_id: EMR step ID (required if source_type="emr"). s3_project_location: Optional S3 URI to the job's source code. local_log_path: Path to a local log file/folder (required if source_type="local"). local_project_path: Optional local folder with source code. job_entry_point: Optional filename/relative path of the specific job file to focus on. If given, ONLY this file is used - skips auto-extraction. If omitted, the tool parses the execution log for stack-trace-like file references (Python and/or Scala/Java) to narrow down which of the project's files are relevant, up to 10 files. Useful for large, multi-job repositories. current_spark_config: Optional text describing the current Spark configuration (executor memory, cores, shuffle partitions, etc.), to ground recommendations in what's configurable. provider: "bedrock", "anthropic", "openai", or "none" (default - returns fetched content for the calling agent to analyze). api_key: API key for "anthropic"/"openai". Reads from env var if omitted. Unused for "bedrock" or "none".
Returns: A structured analysis (observations, recommendations, estimated impact) if a provider is set, or the raw fetched content for the calling agent to analyze if provider="none".
| Name | Required | Description | Default |
|---|---|---|---|
| api_key | No | ||
| provider | No | none | |
| emr_step_id | No | ||
| source_type | Yes | ||
| emr_cluster_id | No | ||
| local_log_path | No | ||
| job_entry_point | No | ||
| local_project_path | No | ||
| s3_project_location | No | ||
| current_spark_config | No |
| Name | Required | Description |
|---|---|---|
| result | Yes |
Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?
Annotations already declare readOnly, idempotent, openWorld, and non-destructive. The description adds clarity by explaining that with provider='none' it returns raw fetched content, and otherwise returns a structured analysis. There is no contradiction with annotations, and the description provides useful context on what the tool does without describing side effects.
Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.
Is the description appropriately sized, front-loaded, and free of redundancy?
The description is well-organized with a main purpose statement, an Args section listing each parameter with explanations, and a Returns section. It is thorough but not redundant, providing all necessary information without unnecessary verbosity.
Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.
Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?
The description explains the full behavior of the tool: what it analyzes, how it uses the parameters, and what it returns under different provider settings. Although an explicit output schema is not shown, the description clearly describes the two possible return types (structured analysis or raw content), making it complete for the agent to use correctly.
Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.
Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?
The schema has 0% description coverage for its 10 parameters, but the tool description compensates fully by explaining each parameter: source_type, emr_cluster_id, emr_step_id, s3_project_location, local_log_path, local_project_path, job_entry_point, current_spark_config, provider, and api_key. It clarifies requirements (e.g., 'required if source_type=...') and optionality, making the semantics complete.
Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.
Does the description clearly state what the tool does and how it differs from similar tools?
The description clearly states the tool's purpose: analyze successful Spark job logs/stats and suggest performance optimizations. It names the specific action (analyze, suggest) and resource (execution log/stats), and differentiates from the sibling tool by emphasizing 'successful' jobs, implying a contrast with failure diagnosis.
Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.
Does the description explain when to use this tool, when not to, or what alternatives exist?
The description implies when to use the tool (for successful jobs to get optimization suggestions) by contrasting with 'successful' and the sibling 'diagnose_spark_failure'. It also explains provider options (including 'none' for raw content) and argument dependencies. However, it does not explicitly state 'use this instead of diagnose_spark_failure when the job succeeded,' leaving the distinction implicit.
Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
v0.1.3diagnose_spark_failureoptimize_spark_performanceScored across 2 tools
The two tools have clearly distinct purposes: one diagnoses failures and the other optimizes performance. Despite sharing similar arguments, their actions and return types are unambiguously different.
Both tool names follow the consistent verb_noun pattern (diagnose_spark_failure, optimize_spark_performance), which is clear and predictable.
With only two tools, the server is slightly below the typical well-scoped range, but it is focused on a narrow domain (Spark job analysis) where these two core operations are appropriate.
The server covers the primary needs of diagnosing failures and optimizing performance. However, there may be gaps such as retrieving job metrics or listing available jobs, though these are not strictly required for the stated purpose.
MCP server providing access to the Scorecard API to evaluate and optimize LLM systems.
MCP server for building and testing AI agents with multi-model experimentation and insights.
MCP server for AI dialogue using various LLM models via AceDataCloud
