SAP RCA MCP Server

Python MCP-сервер, который позволяет ИИ-агентам выполнять анализ первопричин в системах SAP, запрашивая данные Azure Log Analytics.

Архитектура

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: CloudWatch Log Analyst MCP

4 инструмента

Предварительные требования

• Python 3.11+

• Установлен Azure CLI (az)

• Доступ к рабочей области Azure Log Analytics (требуется идентификатор рабочей области)

• Роль Log Analytics Reader, назначенная вашей учетной записи (или управляемое удостоверение)

Настройка

# 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

Конфигурация (.env)

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

В Azure с управляемым удостоверением нужен только идентификатор рабочей области — оставьте все поля AZURE_CLIENT_* пустыми.

Запуск

режим stdio (Claude Desktop, MCP Inspector, локальный Azure AI Foundry)

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

режим SSE/HTTP (развертывание в Azure App Service)

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

Конечная точка SSE будет: http://localhost:8000/sse

Подключение к Claude Desktop

Добавьте в 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>"
      }
    }
  }
}

Подключение к Azure AI Foundry

В Azure AI Foundry добавьте MCP-подключение, указывающее на: https://<your-app-service>.azurewebsites.net/sse

Пример диалога с агентом

Сфокусированный рабочий процесс запросов:

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")

Полный автоматический RCA:

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

Зарегистрированные таблицы

Сейчас зарегистрировано (1 из 7):

Добавление новой схемы таблицы

1. Предоставьте CSV-схему (столбцы + описание) — тот же формат, что и SchemaforMCP-Details.csv.

2. Добавьте новую запись в schema_registry.py, используя существующую запись SapNetweaver_ShortDumps_CL в качестве шаблона.

3. Если таблице требуется специфичная для домена логика анализа, добавьте функцию _analyze_<type>() в tools/analyze_results.py.

4. Добавьте KQL-шаблон в _KQL_TEMPLATES в tools/rca_orchestrator.py.

5. Перезапустите сервер — других изменений не требуется.

Замечания по безопасности

• execute_query блокирует все команды управления KQL (.ingest, .drop, .set и т.д.)

• run_full_rca использует параметризованные KQL-шаблоны — значения SID проверяются перед подстановкой

• Все учетные данные загружаются из переменных окружения — никаких секретов в коде

• В Azure используйте управляемое удостоверение; не храните AZURE_CLIENT_SECRET в конфигурации App Service

⚠ Открытые вопросы (требуется действие)

Прежде чем сервер сможет подключиться к вашей рабочей области, вам необходимо предоставить: