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