{"type": "text"}# incident-mcp
Servidor Python MCP (Model Context Protocol) que ayuda en la detección de incidentes (detection) → análisis (analysis). Detecta anomalías en series temporales de métricas y agrupa correlaciones para ofrecer posibles causas raíz y acciones recomendadas.
Los dos backends comparten un único contrato de herramientas (tool contract):
Servidor | Backend | Propósito |
| Datos sintéticos integrados (deterministas) | Desarrollo, demostración y pruebas de regresión sin VM |
| API HTTP real de VictoriaMetrics | Análisis de incidentes operativos/medidos |
Como las firmas de las herramientas de ambos servidores son 100 % idénticas, puede desarrollar el flujo de trabajo con el mock y cambiar a la VM real sin interrupciones.
incident_mcp/
├── core/ # 백엔드 무관 공통 로직 (순수 함수 → 테스트 용이)
│ ├── models.py # Pydantic: Anomaly, IncidentAnalysis, Series ...
│ ├── datasource.py # Protocol(인터페이스) — VM/Mock이 구현
│ ├── detection.py # 이상탐지: zscore · spike · trend · threshold
│ └── analysis.py # 상관분석 + 근본원인 휴리스틱
├── datasources/
│ ├── mock_ds.py # 재현 가능한 합성 메트릭 + 주입된 인시던트 시나리오
│ └── vm_ds.py # VictoriaMetrics(Prometheus 호환) HTTP 클라이언트
├── servers/
│ ├── mock_server.py # B: mock 데이터소스 주입
│ └── vm_server.py # A: VictoriaMetrics 데이터소스 주입
└── tools.py # 공통 MCP 도구 4종 (두 서버가 공유)4 herramientas MCP
Herramienta | Descripción |
| Catálogo de métricas disponibles |
| Consulta de series temporales sin procesar (verificación/depuración) |
| Ejecutar detección de anomalías (zscore/spike/trend) |
| Detección y análisis en un solo paso (posibles causas raíz + acciones recomendadas) |
Related MCP server: MCP Server for vmanomaly
python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"
# 단위 테스트
pytest -q
# mock 서버로 종단(E2E) 데모 — mock 2개 시나리오 + 실제 VM
python examples/e2e_client.pyMétodo | Patrón detectado | Ejemplo de incidente |
| Valor puntual que se desvía mucho de la media | Pico momentáneo |
| Tasa de cambio abrupta respecto al período anterior | Aumento repentino de la tasa de error |
| Aumento/disminución monótona gradual | Fuga de memoria (no se detecta con zscore/spike) |
| Violación de umbral absoluto | Exceso del límite de SLA |
💡 Los patrones de «fuga lenta», como las fugas de memoria, no se detectan con los métodos basados en valores instantáneos (zscore/spike), por lo que se ha añadido un detector
trendbasado en la pendiente de regresión. — ver step2
MIT
AI-powered incident management and server monitoring via MCP.
MCP-native AI SRE: ask what's broken in production, get a reviewed GitHub fix PR.
Read-only MCP server for AIStatusDashboard status, incidents, metrics, and fallback recommendations.
Manage uptime monitors, incidents and status pages from any MCP client.
