Azure OpenAI 与 Datadog 的 MCP 集成

此项目提供了Azure OpenAI与Datadog模型上下文协议（MCP）服务器之间经过测试的完整集成，使用户能够使用简单的API/应用程序密钥认证进行AI驱动的监控和可观测性查询。

🧪 表示“实验器材”或“实验用具”。经过测试并已验证

✅（勾选标记，通常表示正确、确认或已完成） Azure OpenAI 函数调用 - GPT-4 自动选择合适的 Datadog 工具
✅ 14 Datadog MCP 工具 - 完全访问监控器、日志、指标、应用性能管理（APM）、事件和基础设施
✅ 实时数据集成 - 成功查询实时 Datadog 环境
✅ API/APP密钥认证 - 简单的凭据设置，无需OAuth复杂性
✅ FastAPI 服务器 - 异步端点，具备适当的错误处理和生命周期管理
✅ 多种查询格式 - 具有结构化响应的GET/POST端点

🎯 这个的作用

向您的Datadog环境提出自然语言问题，并通过Azure OpenAI获得智能答案：

*“目前哪些监控设备在发出警报？”*
*“给我展示过去一小时的错误日志”*
*“有没有什么我应该了解的正在发生的事件？”*
*“我的生产主机的CPU使用率是多少？”*

该人工智能会自动选择合适的Datadog工具，并基于您的实际监控数据提供全面分析。

✨ 主要特点

🤖 机器人 Azure与OpenAI的集成使用GPT-4结合函数调用进行智能工具选择
📊 表格/数据图表 14 Datadog MCP 工具全面访问监控、日志、应用性能管理（APM）、基础设施和事件信息
🔑 翻译为中文是“钥匙”。 简单认证使用Datadog API/APP密钥（无需复杂的OAuth流程）
🛠️（工具/螺丝刀） 自动工具选择AI根据您的查询决定使用哪个Datadog工具
📝 译文：📝（这个符号本身在中文中没有直接对应的翻译，它通常代表“笔记”或“待办事项”的意思，但在没有上下文的情况下，只能保持原样或解释其含义。） 丰富的回应带有对话历史和工具执行详情的结构化JSON
🔄 翻译成中文可以是“循环”或“旋转”，具体根据上下文可能有所不同。 实时数据直接连接到您的实时 Datadog 环境

建筑学

User Query → FastAPI Server → Azure OpenAI → Function Calls → Datadog MCP Server → Datadog API
                ↑                                ↓
            Response ← JSON Format ← Tool Results ← MCP Protocol ← Monitoring Data

快速入门

1. 安装依赖项

pip install -r requirements.txt

2. 配置环境变量

复制示例环境文件并填写您的凭据：

cp .env.example .env

编辑 .env 使用您的真实凭据：

# Azure OpenAI Configuration
AZURE_OPENAI_API_KEY=your_azure_openai_api_key_here
AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
AZURE_OPENAI_MODEL=gpt-4

# Datadog Configuration
DD_API_KEY=your_datadog_api_key_here
DD_APP_KEY=your_datadog_application_key_here
DD_SITE=datadoghq.com

3. 启动服务器

# Set environment variables and start the server
AZURE_OPENAI_API_KEY=your_azure_key \
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/ \
AZURE_OPENAI_MODEL=gpt-4 \
DD_API_KEY=your_datadog_api_key \
DD_APP_KEY=your_datadog_app_key \
DD_SITE=datadoghq.com \
python fastapi_server.py

服务器将在 http://localhost:8000 并展示：

✅ FastAPI server initialized with Azure OpenAI MCP Agent
✓ Agent initialized with 14 Datadog tools available

4. 测试集成

# Health check
curl http://localhost:8000/health
# Response: {"status":"healthy","agent_initialized":true}

# List available Datadog tools (14 tools)
curl http://localhost:8000/v1/tools

# Ask about your monitors
curl "http://localhost:8000/v1/mcp?query=What%20monitors%20do%20I%20have?"

# Check for active alerts
curl "http://localhost:8000/v1/mcp?query=Show%20me%20any%20active%20alerts%20or%20incidents"

# Search logs for errors
curl "http://localhost:8000/v1/mcp?query=Find%20error%20logs%20from%20the%20last%20hour"

API 端点

GET `/v1/mcp`

使用Datadog MCP工具通过Azure OpenAI处理查询（与原始客户API结构匹配）。

参数：

query （必填）：要处理的查询
system_prompt （可选）：自定义系统提示以指导AI

示例：

curl "http://localhost:8000/v1/mcp?query=Show%20me%20error%20logs%20from%20the%20last%20hour"

POST（邮政） `/v1/mcp`

使用JSON请求/响应的查询端点的结构化版本。

请求体：

{
  "query": "What dashboards do I have for monitoring my web application?",
  "system_prompt": "You are a monitoring expert. Provide detailed analysis.",
  "max_tool_calls": 3
}

获取 `/v1/tools`

列出所有可用的Datadog MCP工具及其描述和参数。

POST（邮政服务/帖子/发布） `/v1/task`

利用智能体的能力执行一项结构化任务。

🔧 可用的Datadog工具（共14个）（随后端变化而变化）

该集成通过MCP服务器提供了对全面Datadog功能的访问：

监控与告警

search_datadog_monitors - 按状态、团队、优先级列出并筛选监控器
search_datadog_incidents - 查找当前发生的事件、严重程度级别以及受影响的服务
get_datadog_incident - 通过ID获取详细的事件信息

指标与性能

get_datadog_metric - 查询带有聚合功能的时间序列指标数据
search_datadog_dashboards - 发现仪表板及其底层查询
search_datadog_services - 列出团队所有服务及其链接

日志与故障排除

search_datadog_logs - 高级日志搜索，支持过滤和聚类
search_datadog_events - 查询系统事件和通知

基础设施

search_datadog_hosts - 带有状态、标签和元数据的库存主机
search_datadog_metrics - 发现您环境中可用的指标

APM（应用性能管理）与分布式追踪

search_datadog_spans - 分析分布式追踪和服务依赖关系
get_datadog_trace - 通过追踪ID检索完整的追踪详情
search_datadog_rum_events - 实际用户监控事件和性能数据

文档

search_datadog_docs - 查询Datadog的公开文档

📋 实际使用示例

基本监控查询

# Get overview of your monitoring setup
curl "http://localhost:8000/v1/mcp?query=What%20monitors%20do%20I%20have%20in%20my%20Datadog%20environment?"

# Check current system health
curl "http://localhost:8000/v1/mcp?query=Show%20me%20any%20alerts%20or%20incidents%20that%20are%20currently%20active"

# Search for specific issues
curl "http://localhost:8000/v1/mcp?query=Find%20any%20error%20logs%20from%20my%20web%20service%20in%20the%20last%20hour"

# Infrastructure monitoring
curl "http://localhost:8000/v1/mcp?query=What%20hosts%20are%20running%20and%20what%27s%20their%20status?"

使用POST进行高级分析

# Complex performance analysis
curl -X POST http://localhost:8000/v1/mcp \
  -H "Content-Type: application/json" \
  -d '{
    "query": "Analyze my application performance over the last 24 hours and identify any bottlenecks",
    "system_prompt": "You are a senior SRE. Focus on actionable insights and specific recommendations.",
    "max_tool_calls": 5
  }'

# Incident investigation
curl -X POST http://localhost:8000/v1/task \
  -H "Content-Type: application/json" \
  -d '{
    "query": "Help me investigate the current SEV-2 incidents and provide a summary of what needs immediate attention"
  }'

Python 集成示例

import requests

# Simple monitoring check
def check_datadog_health():
    response = requests.get(
        "http://localhost:8000/v1/mcp",
        params={"query": "What's the current status of my critical monitors?"}
    )
    result = response.json()
    print(f"🔧 Tools used: {result['tool_calls_made']}")
    print(f"📊 Response: {result['response']}")
    return result

# Advanced troubleshooting
def investigate_errors(service_name, hours=1):
    response = requests.post(
        "http://localhost:8000/v1/mcp",
        json={
            "query": f"Find and analyze error logs for {service_name} service in the last {hours} hours. What patterns do you see?",
            "system_prompt": "You are a debugging expert. Focus on error patterns, frequency, and root cause analysis."
        }
    )
    return response.json()

# Get specific incident details
def get_incident_details(incident_id):
    response = requests.get(
        "http://localhost:8000/v1/mcp",
        params={"query": f"Show me detailed information about incident {incident_id}"}
    )
    return response.json()

# Example usage
health_status = check_datadog_health()
error_analysis = investigate_errors("web-api", 2)

真实响应示例

当你问起时 *“我有哪些显示器？”*，你会得到：

{
  "response": "You have 134 monitors in your Datadog environment. Here are some examples:\n- [Synthetics] Web application health checks\n- Fast burn rate alert on SLO: API success rate\n- [Infrastructure] High CPU utilization alerts\n- [APM] Service error rate monitors\n\nWould you like details on specific monitors or alerts?",
  "tool_calls_made": 1,
  "success": true,
  "conversation_history": [
    {
      "tool_call": {
        "name": "search_datadog_monitors",
        "arguments": {"max_tokens": 10000},
        "result": {"success": true, "result": {...}}
      }
    }
  ]
}

自定义集成

from azure_openai_mcp_agent import AzureOpenAIMCPAgent
from datadog_mcp_client import DatadogMCPClient
from openai import AsyncAzureOpenAI

# Initialize clients
azure_client = AsyncAzureOpenAI(
    api_key="your-key",
    api_version="2024-07-01-preview",
    azure_endpoint="your-endpoint"
)

mcp_client = DatadogMCPClient(
    api_key="dd-api-key",
    app_key="dd-app-key"
)

# Create agent
agent = AzureOpenAIMCPAgent(
    azure_openai_client=azure_client,
    datadog_mcp_client=mcp_client
)

# Use the agent
await agent.initialize()
result = await agent.invoke("Show me my infrastructure overview")
await agent.close()

配置

环境变量

变量	必填	描述
（无对应中文）	（无对应中文）	（无对应中文）	`AZURE_OPENAI_API_KEY`
是	Azure OpenAI API密钥 `AZURE_OPENAI_ENDPOINT`
是	Azure OpenAI 端点 URL	`AZURE_OPENAI_MODEL`
编号	模型名称（默认：gpt-4）	`DD_API_KEY`
是	Datadog API密钥 `DD_APP_KEY`
是	Datadog 应用程序密钥	`DD_SITE`

| 编号 | Datadog 网站（默认：datadoghq.com） |

获取凭证

Azure OpenAI
在 Azure 门户中创建 Azure OpenAI 资源
从资源的“密钥和终端节点”部分获取您的API密钥

记下您的终端点URL

Datadog（注：这是一个专有名词，通常直接音译为“达达狗”并不常见，实际使用时可能根据具体语境或品牌策略采用其他翻译方式，但在此提供直接音译的版本）
登录到您的Datadog账户
前往“组织设置”→“API密钥”以创建/查看API密钥

进入组织设置 → 应用程序密钥以创建/查看应用程序密钥

发展

# Install test dependencies
pip install pytest pytest-asyncio

# Run tests
pytest

运行测试

# Run with auto-reload
uvicorn fastapi_server:app --reload --host 0.0.0.0 --port 8000

# Or use the Makefile
make run

开发服务器

代码格式化

# Install development dependencies
make install

# Format all code
make format

# Check formatting
make check

# Clean up temporary files
make clean

# See all available commands
make help

这个项目使用了标准的Python格式化工具：

black 使用的格式化工具：
isort - Python代码格式化工具（每行88个字符）
sed - 导入语句排序器
.editorconfig - 删除尾随空格

- 编辑器配置以确保格式一致 🔄（循环/重复）

高级功能

会话管理

# Start a conversation
curl -X POST http://localhost:8000/v1/conversation \
  -H "Content-Type: application/json" \
  -d '{
    "query": "Show me errors from production in the last hour",
    "session_id": null
  }'

# Continue the conversation (using returned session_id)
curl -X POST http://localhost:8000/v1/conversation \
  -H "Content-Type: application/json" \
  -d '{
    "query": "What about warnings from the web service?",
    "session_id": "anon_12345678"
  }'

# Get conversation history
curl http://localhost:8000/v1/conversation/anon_12345678

在多个请求之间保持对话活跃，同时具备上下文感知能力：

特点： ✅ 会话管理
\- 在多个请求之间保持上下文 ✅ 用户偏好学习
\- 记住常见的服务和环境 ✅ 智能上下文
\- 利用对话历史来优化回复 ✅ 自动清理

- 自动终止旧会话

动态工具调用优化 max_tool_calls 自动确定最优方案

# Simple query - estimates 2-3 tool calls
"What monitors do I have?"

# Complex analysis - estimates 5-7 tool calls
"Analyze application performance, identify bottlenecks, and compare with last week"

# Multi-part investigation - estimates 8-10 tool calls
"Check incidents, examine logs, and analyze metrics for affected services"

基于查询复杂度：

成本优化策略： 🎯（目标） 复杂性分析
\- 在执行前估算所需工具 📈 上涨的图表或趋势 历史学习
\- 根据过去的成功/失败率进行调整 🔄（旋转箭头，常表示循环、重复或刷新等意思） 上下文重用
\- 在对话中进行后续追问更为高效 ⚡（闪电符号，常用于表示速度、活力、电力或警报等） 提前终止

- 当收集到足够信息时停止

智能查询增强

# User says: "Show me errors from production in the last hour"
# Enhanced to: "Show me status:error from env:prod in now-1h"

# User says: "Find warnings in the web service recently"
# Enhanced to: "Find status:warn in service:web now-1h"

自动提升查询精度，以更好地兼容Datadog工具：

查询改进： 🎯（目标） 环境映射
\- “production” → “env:prod” 🔧 （扳手或修理工具的符号，常用于表示需要修理或维护） 服务前缀化
\- “web service” → “服务:web” ⏰ 时间标准化
\- “last hour” → “now-1h” 翻译为中文是：“上一个小时” → “当前时间减去1小时” 📊（表格） 状态映射
\- “errors” → “status:error” 💡（这个符号本身没有直接对应的中文翻译，但它通常代表“灯泡”或“灵感”，在中文网络语境中，有时也被用作表示“想法”或“创意”的简写。）智能建议

- 提供更精确查询的技巧

解决常见问题

1. 保持对话的活力

# Conversations persist across requests
session_1 = client.start_conversation("What are my alerts?")
session_id = session_1["session_id"]

# Context is maintained
session_2 = client.continue_conversation("What about the web service?", session_id)
# AI knows you're still talking about alerts and can reference previous context

解决方案：基于会话的对话管理

2. 动态与固定最大工具调用次数

# The system now automatically estimates tool calls needed:
{
  "estimated_tool_calls": 5,    # What the system thinks it needs
  "tool_calls_made": 4,         # What was actually used
  "max_tool_calls": null        # Let system decide (recommended)
}

解决方案：自适应工具调用估计

益处： 💰（符号，代表货币或金钱） 成本效益高
\- 仅使用实际所需的工具 ⚡ 闪电符号，常用于表示速度、活力、电力或警示。在中文语境中，可直接保留为“⚡”或根据上下文意译为“闪电”、“极速”、“活力”等。 性能优化
\- 避免不必要的通话 🎯（目标/靶心） 抗故障/容错
\- 如果检测到最近发生故障，则增加限制 📊（表格） 自学

- 随着时间推移，提高估算准确性

3. 查询精确度问题

# Before: Imprecise queries often failed
"Find errors in production"  # Too vague, might not work

# After: Automatically enhanced for precision
"Find status:error env:prod now-1h"  # Precise, works reliably

解决方案：自动查询增强

production 智能映射： env:prod
development → env:dev
staging → env:stage
errors → status:error
last hour → now-1h
web service → service:web

→

# 1. Start conversation with imprecise query
response = requests.post("/v1/conversation", json={
    "query": "Show me errors from production in the last hour"
})

# Response includes:
{
    "response": "Found 23 error logs from env:prod in the last hour...",
    "session_id": "user_abc123",
    "estimated_tool_calls": 3,
    "tool_calls_made": 2,
    "query_enhancements": {
        "environment_production": "Mapped 'production' to 'env:prod'",
        "time_last_hour": "Mapped 'last hour' to 'now-1h'"
    },
    "user_preferences": {
        "preferred_env": "prod"
    }
}

# 2. Follow-up is more efficient (uses learned context)
response2 = requests.post("/v1/conversation", json={
    "query": "What about the web service?",
    "session_id": "user_abc123"
})

# AI knows:
# - You're still talking about errors
# - Your preferred environment is prod
# - "web service" should be "service:web"
# - Time context from previous query

示例：完整的工作流程

🔍 故障排除

常见问题及解决方案 1.

# Check environment variables are set
echo $AZURE_OPENAI_API_KEY $DD_API_KEY $DD_APP_KEY

# Test individual components
python test_datadog_mcp.py      # Test Datadog connection
python debug_azure_config.py   # Test Azure OpenAI connection

“代理未初始化” 2.

# Check your model deployment name
# In Azure OpenAI Studio → Deployments → copy exact "Deployment name"
export AZURE_OPENAI_MODEL="your-exact-deployment-name"

# Verify endpoint format (should end with .openai.azure.com/)
export AZURE_OPENAI_ENDPOINT="https://your-resource.openai.azure.com/"

“DeploymentNotFound”（Azure OpenAI） 3.

# Test Datadog credentials
curl -H "DD-API-KEY: $DD_API_KEY" -H "DD-APPLICATION-KEY: $DD_APP_KEY" \
  "https://api.datadoghq.com/api/v1/validate"

# Test Azure OpenAI credentials
python simple_test.py

“HTTP 错误 401/403”（认证问题） 4.

“工具调用失败” https://mcp.datadoghq.com/api/unstable/mcp-server/mcp
✅ 验证Datadog MCP服务器是否可访问：
请检查您的Datadog帐户是否具有必要的权限（API访问权限、读取权限）

确保您的API/APP密钥处于激活状态且未过期

# Test Datadog MCP connection
python test_datadog_mcp.py

# Test Azure OpenAI setup
python debug_azure_config.py

# Simple connection test
python simple_test.py

# Run example usage
python example_usage.py

包含调试工具

详细日志记录

🔧 Executing tool: search_datadog_monitors with args: {'max_tokens': 10000}
✓ Agent initialized with 14 Datadog tools available

服务器自动记录工具执行情况：

curl http://localhost:8000/health
# Should return: {"status":"healthy","agent_initialized":true}

健康检查端点 📊 表格/数据图表

项目概述 | 组件 | 状态 | 描述 | |-----------|--------|-------------| |（无对应中文）|（无对应中文）|（无对应中文）| | Azure与OpenAI的集成 | ✅ 正常工作 | 支持函数调用的GPT-4，兼容所有Azure OpenAI模型 | | Datadog MCP 客户端 | ✅ 正在运行 | 14款工具，涵盖监控、日志、应用性能管理（APM）、基础设施、事件处理 | | 认证 ✅ 工作中 | 简单的API/APP密钥设置，无需OAuth | FastAPI 服务器 | ✅ 正在运行 | 已准备就绪的异步服务器，具备错误处理功能 | | 真实数据访问 | ✅ 正常工作 | 已在真实Datadog环境中成功测试 | | 文档 | ✅ 完成 | 完整的设置指南、示例和故障排除方法 | |

安全

fastapi_server.py | ✅ 已验证 | 无硬编码凭证，正确使用环境变量 |
azure_openai_mcp_agent.py 包含的文件
datadog_mcp_client.py - 主FastAPI应用程序服务器
example_usage.py - 具备函数调用功能的Azure OpenAI代理
debug_azure_config.py - Datadog MCP客户端，使用API/APP密钥认证
test_datadog_mcp.py - 全面的使用示例
simple_test.py - Azure OpenAI 连接测试
requirements.txt - Datadog MCP连接测试
.gitignore - 基本连接验证

- 所有Python依赖项

\- 凭证的安全保护

Datadog MCP Azure Openai

快速接入

详细介绍