spark-sense-ai
spark-sense-ai
一个 MCP(Model Context Protocol)服务器,为 AI 代理(Claude Desktop、Claude Code、Devin 或任何兼容 MCP 的客户端)提供两项用于处理 Apache Spark 作业的能力:
🔴
diagnose_spark_failure— 当 Spark 作业失败时,获取根本原因和具体修复方案,并基于实际错误日志和出问题的特定代码。🟢
optimize_spark_performance— 当 Spark 作业成功但运行缓慢或成本高昂时,获取有针对性的、基于证据的调优建议。
由一位拥有 12 年以上 Apache Spark 实战经验的数据工程师构建,旨在将同样的调试直觉——“这个错误到底涉及哪个文件,以及为什么”——带入 AI 辅助的工作流程中。
为什么存在
Spark 故障通常仅凭日志就能诊断——但要阅读一份 200 行的堆栈跟踪,在一个包含多个作业的大型代码库中将其对应到正确的文件,并判断它到底是十几种可能原因中的哪一种,确实需要真正的 Spark 经验。这个工具自动化了第一遍排查:它找出相关代码(而不是整个代码库),连同日志一起交给 LLM,并返回一份你可以验证并据此行动的结构化诊断。
不同之处
设计选择 | 重要性 |
来源无关 — EMR(集群 + 步骤 ID)或本地文件夹 | 无论你的作业运行在 AWS 还是本地/自建环境中都适用 |
提供商无关 — Bedrock、Anthropic、OpenAI,或 none | 没有供应商锁定; |
智能文件选择 | 大型项目运行许多作业——此工具解析错误日志的堆栈跟踪(Python 和 Scala/Java,包括混合 PySpark 跟踪),只提取故障涉及的特定文件(最多 10 个),而不是将整个代码库倾倒进提示中 |
绝不捆绑凭据 | 每个用户都使用自己的 AWS 和/或 LLM 凭据。这里不会在用户之间共享计费或访问权限 |
示例输出
给定此 Scala 示例错误日志及其匹配的项目文件,diagnose_spark_failure(在配置了 provider 的情况下)返回:
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: High请注意,此工具自动提取了 CustomerHelper.scala(堆栈跟踪中 Caused by 实际指向的文件),而不是整个项目,甚至不是顶层入口文件 CustomerOrderJoin.scala——因为堆栈跟踪解析器解析出了最深的相关帧。
安装
pip install spark-sense-ai只安装你实际会用到的额外依赖:
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" 配合 source_type="local" 时完全不需要额外依赖——只需基础的 mcp 依赖。
四种使用方式
# | 日志/代码来源 | LLM 提供商 | 所需额外依赖 | 是否需要 AWS 凭据? |
1 | EMR 集群 + 步骤 | Bedrock |
| 是 — 用于获取和诊断 |
2 | EMR 集群 + 步骤 | Anthropic / OpenAI |
| 是 — 仅用于获取 |
3 | 本地文件夹 | None(代理自行推理,例如在 Devin 中) | none | 否 |
4 | 本地文件夹 | Anthropic / OpenAI |
| 否 |
需要时,AWS 凭据会自动从你现有的配置中获取(aws configure、附加的 IAM 角色或标准的 AWS_* 环境变量)——绝不会作为工具参数传递。
设置
Claude Desktop
编辑 claude_desktop_config.json:
{
"mcpServers": {
"sparksense": {
"command": "sparksense-mcp",
"env": {
"SPARKSENSE_AWS_REGION": "ap-south-1"
}
}
}
}Claude Code
claude mcp add sparksense -- sparksense-mcpDevin
有关你的 Devin 代理模式(Cascade 和 Devin Local 使用的配置位置略有不同)的当前配置方法,请参阅 Devin 的 MCP 文档。按照与上述相同的方式将其指向 sparksense-mcp 命令。
使用示例
“我的 Spark 作业失败了——EMR 集群 j-ABC123,步骤 s-XYZ789。使用 sparksense 通过 Bedrock 进行诊断。”
“我的本地作业日志在
./logs/error.log,代码在./src——请诊断这个故障。”
“我知道是
jobs/customer_order_join.py失败了——使用 sparksense 并以它作为入口点。”
“使用 sparksense 获取
./logs/job.log的日志——我自己来审查。” (provider="none"— 工具只负责获取;推理由调用方代理完成)
“我的作业成功了,但花了 40 分钟。使用 sparksense 检查执行统计信息,寻找优化机会。”
工具参考
diagnose_spark_failure
参数 | 是否必填 | 说明 |
| 是 |
|
| 如果 | |
| 如果 | |
| 否 | 源代码的 S3 URI |
| 如果 | 文件或文件夹 |
| 否 | 本地源代码文件夹 |
| 否 | 直接使用的特定文件名/相对路径,跳过自动提取——当你已经知道哪个作业失败时最适用 |
| 否(默认 |
|
| 否 | 用于 anthropic/openai;否则读取 |
optimize_spark_performance
参数与上述相同,另加:
参数 | 是否必填 | 说明 |
| 否 | Executor 内存、核心数、shuffle 分区等。 |
文件选择逻辑(两个工具均适用)
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 files环境变量
变量 | 默认值 | 用途 |
|
| EMR/S3/Bedrock 调用的区域 |
|
| 要使用的 Bedrock 模型 |
| — | 当 |
| — | 当 |
测试
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-XXXXXXX两个脚本在发起任何计费 LLM 调用之前,都会先运行一次免费、不调用 API 的健全性检查(provider="none")。
路线图
在 EMR/Glue 作业完成时通过 Lambda/EventBridge 自动触发
将 Databricks 作为第三种
source_type结构化 Spark History Server API 集成
基于分区级统计信息的倾斜检测
许可证
MIT — 参见 LICENSE。
This server cannot be installed
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Connectors
MCP server providing access to the Scorecard API to evaluate and optimize LLM systems.
MCP server for AI dialogue using various LLM models via AceDataCloud
Cloud-hosted MCP server for durable AI memory
Latest Blog Posts
- Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)By Om-Shree-0709 on .mcpAgent IdentityOAuth 2.1
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/sun7singh/spark-sense-ai'
If you have feedback or need assistance with the MCP directory API, please join our Discord server