🚀🚀 【MCP + AI】grafana-mcp-analyzer:基于 MCP 的轻量图表分析助手

本文涉及的产品
可观测可视化 Grafana 版,10个用户账号 1个月
简介: `grafana-mcp-analyzer` 是一个开源项目,通过 MCP 协议连接 AI 助手与 Grafana,实现智能分析监控数据。只需简单配置,AI 可快速解读图表,提供性能瓶颈、优化建议等专业分析,极大提升运维效率。支持多种数据源(Prometheus、ES 等),适配 ChatGPT、Claude 等模型,部署轻量,操作便捷。从此告别深夜手动排查问题,让 AI 成为你的智能运维专家!项目地址:<https://github.com/SailingCoder/grafana-mcp-analyzer>

还在深夜盯着 Grafana 图表手动排查问题?今天推荐一个让 AI 能“读图说话”的开源神器 —— grafana-mcp-analyzer

想象一下这样的场景:

  • 凌晨3点,服务器告警响起。。。
  • 你睁着惺忪的眼睛盯着复杂的监控图表 😵‍💫
  • 花了30分钟才找到问题根源...

现在,仅需一句话就能搞定:

👤 "AI,帮我看看服务器出什么问题了?"

🤖 AI立即回复:"CPU突增85%,主要是订单处理服务的内存泄漏导致,建议..."



项目简介:什么是 grafana-mcp-analyzer

grafana-mcp-analyzer 是一个开源项目,基于 Model Context Protocol (MCP) 协议,提供了一套桥接 AI 助手(如 ChatGPT、Claude)与 Grafana 监控平台 的中间层服务。它能让 AI 助手实时读取你的 Grafana 仪表盘数据,并用自然语言做出判断、分析以及建议。

功能亮点 技术优势 实际价值
自然语言查询 基于MCP协议,支持Claude/ChatGPT/Cursor 零学习成本,说人话就能分析
一键curl配置 快速配置,浏览器复制即用 30秒完成复杂查询配置
多层级分析 支持单个图表精准分析,也支持整个Dashboard聚合分析 灵活的分析粒度
全数据源支持 Prometheus、ES、MySQL... 统一所有监控数据
专业DevOps建议 不只是展示数据,更提供可执行的优化方案 比人工更快发现潜在问题
超轻量部署 超小体积,快速集成部署 生产环境零负担

一句话总结:让 AI 自动分析 Grafana 指标,做你身边的智能运维专家。

🚀 快速配置:从配置到使用全程不到3分钟

第一步:极速安装(30秒)

npm install -g grafana-mcp-analyzer

MCP 依赖 Node.js 18+ 环境,推荐安装方式详见:Node.js 快速安装最全指南

第二步:智能配置(1分钟)

在项目根目录创建 grafana-config.js 配置文件:

const config = {
   
  // 连接你的Grafana
  baseUrl: 'https://your-grafana-domain.com',
  defaultHeaders: {
   
    'Authorization': 'Bearer your-api-token',
    'Content-Type': 'application/json'
  },
  queries: {
   
    // 方式1:curl命令(推荐,浏览器直接复制)
    cpu_usage: {
   
      curl: `curl 'https://your-grafana-domain.com/api/ds/query' \\
        -X POST \\
        -H 'Content-Type: application/json' \\
        -d '{"queries":[{"refId":"A","expr":"rate(cpu_usage[5m])","range":{"from":"now-1h","to":"now"}}]}'`,
      systemPrompt: `您是CPU性能分析专家。请从以下维度分析CPU使用率:
      1. 趋势变化与异常点识别;
      2. 性能瓶颈及根因分析;
      3. 优化建议与预警阈值;
      4. 对业务系统的潜在影响评估。`
    },
    // 方式2:HTTP API配置(适合复杂查询)
    frontend_performance: {
   
      url: "api/ds/es/query",
      method: "POST",
      data: {
   
        es: {
   
          index: 'frontend_metrics',
          query: 'your_elasticsearch_query'
        }
      },
      systemPrompt: `您是前端性能分析专家,请分析FCP指标并给出建议,包括:
      1. 页面加载趋势;
      2. P75表现;
      3. 性能预警;
      4. 用户体验评估;
      5. 针对性优化方案。`
    },
  },
  healthCheck: {
    
    url: 'api/health',
    timeout: 5000
  }
};

module.exports = config;

配置获取技巧:(推荐 curl)

1、curl命令配置

在Grafana中执行查询 → 按F12打开开发者工具 → Network标签页 -> 找到查询请求 → 右键 → Copy as cURL → 粘贴到配置文件的curl字段

image.png

2、HTTP API配置

  • 获取 Data 传参:进入图表 → "Query Inspector" → "JSON"解析 → 拷贝请求体(request)
  • 获取 Url 和 Headers Token:通过 Network 面板查看请求参数,手动构造 HTTP 配置。

image.png

在线转 JSON 地址:https://www.json.cn/jsononline/

image.png

第三步:AI 助手集成(1分钟)

Cursor设置"MCP"服务配置(以Cursor为例)

{
   
  "mcpServers": {
   
    "grafana": {
   
      "command": "grafana-mcp-analyzer",
      "env": {
   
        "CONFIG_PATH": "./grafana-config.js"
      }
    }
  }
}
  • CONFIG_PATH 支持绝对路径、相对路径、远程路径。配置完成后需重启 Cursor

image.png

第四步:开始对话

👤 您:分析前端性能监控数据 frontend_performance\
🤖 AI:正在连接Grafana并分析前端性能指标...

👤 您:分析 cpu_usage CPU使用率是否正常\
🤖 AI:正在获取CPU监控数据并进行智能分析...

一句话总结:AI 不再只是“聊天”,现在它也能读懂你的监控图表了。

image.png

技术实现原理

项目基于 MCP 协议(Model Context Protocol)进行任务拆解,将 Grafana 图表查询(无论是 PromQL、ES、SQL)统一抽象为结构化数据,提供给 AI 模型进行分析。(简单来说就是 MCP 协议 + Grafana HTTP API)

+------------------+     ask("CPU 怎么样?")     +---------------------+
|   ChatGPT 等 AI  |  <---------------------->  | MCP Analyzer 中间服务 |
+------------------+                            +---------------------+
                                                        |
                                                        | 查询转发
                                                        v
                                              +------------------------+
                                              |   Grafana HTTP API     |
                                              +------------------------+

核心优势在于:

  • 与数据源(数据查询语句)解耦,支持多种格式统一接入;
  • Prompt 可定制,适配不同分析场景;
  • 部署简单,生产可落地;
  • 适配各种支持 MCP 协议的 AI 工具/平台;

当前局限:(受限于 AI 模型上下文处理能力)

  • 更适用于中小规模数据分析:当前分析能力主要聚焦在中小体量的监控数据,适合日常巡检、局部异常定位等场景,基本可覆盖常规运维需求;
  • 大数据量场景仍存挑战:在处理大规模监控数据时,受限于现阶段 AI 模型的上下文处理能力,可能出现重复调用自定义 Tool 的现象。建议在当前阶段通过缩小查询范围作为权宜之计。

随着 AI 模型在上下文压缩与推理能力方面的持续进步,未来在大数据量处理方面有望获得更好的支持。同时,也期待该库后续在大数据场景下提供更稳健的能力优化方案。

结语:让监控系统听得懂人话

随着 AI 的能力越来越强,传统运维的工具链也在悄然升级。如果说过去我们是 「人看图 → 手动分析 → 手动决策」,那么今天,我们已经可以迈入 「说句话 → AI 理解 → 给出建议」 的智能时代。

grafana-mcp-analyzer 只是个开始。它展示了 AI 与传统监控(Grafana)融合的潜力。如果你正在用 Grafana,又对 AI 感兴趣,这个值得一试。

项目地址:https://github.com/SailingCoder/grafana-mcp-analyzer\
欢迎留言、点赞、分享,让更多人知道这个项目!

目录
相关文章
|
12天前
|
数据采集 人工智能 分布式计算
ODPS在AI时代的发展战略与技术演进分析报告
ODPS(现MaxCompute)历经十五年发展,从分布式计算平台演进为AI时代的数据基础设施,以超大规模处理、多模态融合与Data+AI协同为核心竞争力,支撑大模型训练与实时分析等前沿场景,助力企业实现数据驱动与智能化转型。
59 4
|
2月前
|
人工智能 安全 程序员
AI Gateway 分析:OpenRouter vs Higress
本文对比了两种AI网关——OpenRouter与Higress的定位、功能及演进历程。OpenRouter以简化AI模型调用体验为核心,服务于开发者群体;Higress则基于云原生架构,为企业级AI应用提供全面的流量治理与安全管控能力。两者分别代表了AI网关在不同场景下的发展方向。
|
人工智能 自然语言处理 运维
钉钉MCP能力上新:AI如何提效你的工作流程
钉钉通讯录 & 部门管理、日程管理、待办任务、机器人&通知等高频场景API提供MCP服务
钉钉MCP能力上新:AI如何提效你的工作流程
|
28天前
|
人工智能 自然语言处理 物联网
MCP+LLM+Agent:企业AI落地的新基建设计
MCP+LLM+Agent构建企业AI黄金三角架构,破解数据孤岛、工具碎片化与决策滞后难题。LLM负责智能决策,Agent实现自动执行,MCP打通数据与工具,助力企业实现从智能思考到业务闭环的跃迁。
|
2月前
|
人工智能 自然语言处理 搜索推荐
从理论到应用:AI搜索MCP的最佳实践案例解析
本文深入探讨了如何通过 MCP 协议让大语言模型(LLM)高效调用外部工具,并结合多个实际场景展示了 MCP 在 AI 应用中的价值和未来潜力。
|
2月前
|
人工智能 缓存 开发者
MCP协议究竟如何实现RAG与Agent的深度融合,打造更智能AI系统?
本文AI专家三桥君探讨了通过MCP协议实现RAG与Agent系统的深度融合,构建兼具知识理解与任务执行能力的智能系统。文章分析了传统RAG和Agent系统的局限性,提出了MCP协议的核心设计,包括标准化接口、智能缓存和动态扩展性。系统架构基于LlamaIndex和LangGraph实现服务端和客户端的协同工作,并提供了实际应用场景与生产部署指南。未来发展方向包括多模态扩展、增量更新和分布式处理等。
221 0
|
2月前
|
人工智能 数据可视化 安全
【保姆级教程】Dify+DeepSeek+MCP三件套:零门槛打造AI应用流水线,手把手实战教学!
本教程手把手教你用Dify+DeepSeek+MCP三件套零门槛搭建AI应用流水线:Dify提供可视化工作流编排,DeepSeek贡献128K长文本国产最强模型,MCP实现弹性部署。这套组合兼具低代码开发、高性能推理和灵活运维三大优势,助你快速落地企业级AI解决方案。
|
12天前
|
数据采集 人工智能 定位技术
分享一个开源的MCP工具使用的AI Agent 支持常用的AI搜索/地图/金融/浏览器等工具
介绍一个开源可用的 MCP Tool Use 通用工具使用的 AI Agent (GitHub: https://github.com/AI-Agent-Hub/mcp-marketplace ,Web App https://agent.deepnlp.org/agent/mcp_tool_use,支持大模型从Open MCP Marketplace (http://deepnlp.org/store/ai-agent/mcp-server) 的1w+ 的 MCP Server的描述和 Tool Schema 里面,根据用户问题 query 和 工具 Tool描述的 相关性,选择出来可以满足
|
2月前
|
存储 人工智能 自然语言处理
AI代理内存消耗过大?9种优化策略对比分析
在AI代理系统中,多代理协作虽能提升整体准确性,但真正决定性能的关键因素之一是**内存管理**。随着对话深度和长度的增加,内存消耗呈指数级增长,主要源于历史上下文、工具调用记录、数据库查询结果等组件的持续积累。本文深入探讨了从基础到高级的九种内存优化技术,涵盖顺序存储、滑动窗口、摘要型内存、基于检索的系统、内存增强变换器、分层优化、图形化记忆网络、压缩整合策略以及类操作系统内存管理。通过统一框架下的代码实现与性能评估,分析了每种技术的适用场景与局限性,为构建高效、可扩展的AI代理系统提供了系统性的优化路径和技术参考。
119 4
AI代理内存消耗过大?9种优化策略对比分析
|
2月前
|
人工智能 算法 调度
多智能体协作平台(MCP)实现多供应商AI生态系统中的互操作性
在现代人工智能(AI)领域,智能体的互操作性是实现系统协同的关键要素。随着多个供应商提供不同的智能体产品,如何在复杂的生态系统中构建互操作性的基础设施变得尤为重要。本文将探讨如何构建一个支持多供应商智能体互操作性的生态体系,重点讨论多供应商环境中的MCP(Multi-Agent Collaborative Platform)架构,解决不同智能体之间的协作与资源共享问题。
多智能体协作平台(MCP)实现多供应商AI生态系统中的互操作性

热门文章

最新文章