SAP RCA MCP Server

Servidor MCP en Python que permite a los agentes de IA realizar análisis de causa raíz en sistemas SAP consultando datos de Azure Log Analytics.

Arquitectura

AI Agent (Azure AI Foundry / Claude / Copilot Studio)
    │  MCP Tool Calls
    ▼
FastMCP Server (server.py)
    ├── get_schema        → schema_registry.py  (table/column metadata)
    ├── execute_query     → la_client.py         (validated KQL execution)
    ├── analyze_results   → domain_knowledge.py  (SAP error classification)
    └── run_full_rca      → rca_orchestrator.py  (8-step automated workflow)
    │
    ▼
Azure Log Analytics (read-only KQL queries via Managed Identity)

Related MCP server: exception-mcp-server

Las 4 herramientas

Requisitos previos

• Python 3.11+

• Azure CLI (az) instalado

• Acceso al área de trabajo de Azure Log Analytics (se necesita el ID del área de trabajo)

• Rol Log Analytics Reader asignado a tu cuenta (o identidad administrada)

Configuración

# 1. Clone / navigate to this folder
cd C:\Users\padmajat\Documents\AMS-Agentic-RCA\MCP

# 2. Create virtual environment
python -m venv .venv
.venv\Scripts\activate          # Windows
# source .venv/bin/activate     # Linux/macOS

# 3. Install dependencies
pip install -r requirements.txt

# 4. Configure
copy .env.example .env
# Edit .env and fill in AZURE_LOG_ANALYTICS_WORKSPACE_ID and AZURE_TENANT_ID

# 5. Authenticate (local development)
az login

Configuración (.env)

AZURE_LOG_ANALYTICS_WORKSPACE_ID=<your-workspace-guid>
AZURE_TENANT_ID=<your-tenant-id>

En Azure con identidad administrada, solo se necesita el ID del área de trabajo: deja todos los campos AZURE_CLIENT_* en blanco.

Ejecución

Modo stdio (Claude Desktop, MCP Inspector, Azure AI Foundry local)

python server.py
# or:
mcp dev server.py

Modo SSE/HTTP (despliegue en Azure App Service)

pip install uvicorn
uvicorn server:mcp --host 0.0.0.0 --port 8000

El endpoint SSE será: http://localhost:8000/sse

Conectar a Claude Desktop

Añade a claude_desktop_config.json:

{
  "mcpServers": {
    "sap-rca": {
      "command": "python",
      "args": ["C:/Users/padmajat/Documents/AMS-Agentic-RCA/MCP/server.py"],
      "env": {
        "AZURE_LOG_ANALYTICS_WORKSPACE_ID": "<your-workspace-id>",
        "AZURE_TENANT_ID": "<your-tenant-id>"
      }
    }
  }
}

Conectar a Azure AI Foundry

En Azure AI Foundry, añade una conexión MCP que apunte a: https://<your-app-service>.azurewebsites.net/sse

Ejemplo de conversación con el agente

Flujo de trabajo de consulta enfocada:

Agent → get_schema(["SapNetweaver_ShortDumps_CL"])
Agent → execute_query("SapNetweaver_ShortDumps_CL | where serverTimestamp_t > ago(4h) | where SID_s == 'CHA' | take 100")
Agent → analyze_results(results, "short_dumps", context="SID=CHA, last 4h")

RCA automatizado completo:

Agent → run_full_rca(sid="CHA", time_range_hours=4, issue_description="Multiple batch job failures")
← Returns complete 8-step RCA report

Tablas registradas

Actualmente registradas (1 de 7):

Añadir un nuevo esquema de tabla

1. Proporciona el CSV de esquema (columnas + descripción) — mismo formato que SchemaforMCP-Details.csv.

2. Añade una nueva entrada a schema_registry.py siguiendo la entrada existente de SapNetweaver_ShortDumps_CL como plantilla.

3. Si la tabla necesita lógica de análisis específica del dominio, añade una función _analyze_<type>() a tools/analyze_results.py.

4. Añade una plantilla KQL a _KQL_TEMPLATES en tools/rca_orchestrator.py.

5. Reinicia el servidor — no se necesitan otros cambios.

Notas de seguridad

• execute_query bloquea todos los comandos de gestión de KQL (.ingest, .drop, .set, etc.)

• run_full_rca utiliza plantillas KQL parametrizadas — los valores de SID se validan antes de la sustitución

• Todas las credenciales se cargan desde variables de entorno — sin secretos en el código

• En Azure, usa identidad administrada; no almacenes AZURE_CLIENT_SECRET en la configuración de App Service

⚠ Preguntas pendientes (Acción requerida)

Antes de que el servidor pueda conectarse a tu área de trabajo, debes proporcionar: