Pydantic Logfire MCP Server — это MCP-сервер, который соединяет AI-ассистентов с платформой наблюдаемости Logfire, позволяя моделям напрямую выполнять запросы к телеметрии приложений, анализировать метрики и исследовать трассировки без переключения в веб-интерфейс.
Ключевые особенности:
Прямые SQL-запросы к телеметрии: Инструмент execute_sql позволяет AI-ассистенту выполнять произвольные SQL-запросы к данным трассировок, логов и метрик, хранящимся в Logfire, извлекая нужные срезы данных без ограничений предустановленных дашбордов.
Исследование схемы данных: get_schema дает модели полное представление о структуре таблиц, колонок и типах данных в Logfire, что позволяет AI самостоятельно формировать корректные SQL-запросы даже в незнакомом проекте.
Извлечение и анализ трассировок: Инструменты get_trace и get_traces предоставляют доступ к полным деревьям распределенных трейсов, позволяя AI отслеживать путь запроса через все микросервисы и находить узкие места.
Корреляция ошибок и логов: Модель может сопоставлять записи логов с конкретными трейсами и спан-ами, выявляя первопричину ошибок на основе полного контекста исполнения запроса.
Удаленный хостинг без самостоятельной установки: Локальный STDIO-сервер архивирован, и Logfire теперь предоставляет полностью управляемый удаленный MCP-сервер, что исключает необходимость сборки, обновлений и поддержки инфраструктуры на стороне пользователя.
Для кого: Ориентирован на разработчиков и SRE-команды, использующие Pydantic Logfire для наблюдаемости Python-приложений. Подходит тем, кто хочет расследовать инциденты, анализировать производительность и исследовать телеметрию через диалог с AI-ассистентом в Claude Desktop, Cursor и других MCP-клиентах.
Сценарии использования:
Расследование ошибок в микросервисах: AI-ассистент по запросу “найди все ошибки за последний час” выполняет SQL через execute_sql, извлекает связанные трейсы и предоставляет стек ошибок с контекстом.
Анализ производительности эндпоинтов: модель запрашивает распределение латентности через SQL, выявляет медленные запросы и через get_trace находит конкретный спан, вызывающий задержку.
Поиск аномалий после деплоя: AI сравнивает метрики до и после релиза, формируя SQL-запросы с разными временными диапазонами, и сигнализирует о росте ошибок.
Исследование архитектуры приложения: обход схемы через get_schema и изучение структуры трейсов для документирования зависимостей между сервисами.
Цены и доступность: Сам MCP-сервер предоставляется бесплатно как управляемый удаленный сервис Pydantic. Для использования необходим активный аккаунт Logfire с соответствующим API-токеном. Локальная версия сервера (в этом репозитории GitHub) архивирована и больше не обновляется — вся актуальная функциональность доступна через удаленный сервер, документация по которому размещена на официальном сайте Logfire.
