快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

监控和可观察性MCP服务器

使用Langfuse对系统进行全面监控和可观察性的模型上下文协议（MCP）服务器。

🎯 这有什么作用

此MCP服务器允许您：

监视器 实时监控您的所有代理
轨道性能指标（延迟、成本、令牌使用）
调试执行失败，有详细的痕迹
分析跨时间段的代理性能
比较通过元数据过滤器实现不同的代理版本
管理成本和设置预算警报
可视化 代理工作流

快速开始

1.先决条件

Python 3.11或更高版本
Langfuse账户(在这里注册)
装有Langfuse的试剂

2.安装

# Install via pip
pip install -r requirements.txt

# Or install from source
git clone https://github.com/yourusername/langfuse-mcp-python.git
cd langfuse-mcp-python
pip install -e .

3.配置

创建一个 .env 使用您的Langfuse凭据文件：

cp .env.example .env
# Edit .env and add your credentials

你的 .env 应该看起来像：

LANGFUSE_PUBLIC_KEY=pk-lf-xxxxx
LANGFUSE_SECRET_KEY=sk-lf-xxxxx
LANGFUSE_HOST=https://cloud.langfuse.com

4.以流式HTTP（URL）运行

如果你想要一个适用于所有工具的Streamable HTTP URL，请使用Streamable HTTP传输运行服务器：

python -m langfuse_mcp_python --transport streamable-http --host 127.0.0.1 --port 8000 --path /mcp

python -m langfuse_mcp_python --transport sse --host 127.0.0.1 --port 8000

然后，您可以将任何兼容Streamable HTTP的MCP客户端连接到：

http://127.0.0.1:8000/mcp

如果您使用的是Claude Desktop或Cursor，请保留默认值 stdio 运输在他们的配置。

4b。设置MCP客户端

适用于克劳德桌面

添加 claude_desktop_config.json:

{
  "mcpServers": {
    "langfuse-monitor": {
      "command": "uvx",
      "args": ["--python", "3.11", "langfuse-mcp-python"],
      "env": {
        "LANGFUSE_PUBLIC_KEY": "pk-lf-xxxxx",
        "LANGFUSE_SECRET_KEY": "sk-lf-xxxxx",
        "LANGFUSE_HOST": "https://cloud.langfuse.com"
      }
    }
  }
}

对于光标

添加 .cursor/mcp.json:

{
  "mcpServers": {
    "langfuse-monitor": {
      "command": "python",
      "args": ["-m", "langfuse_mcp_python"],
      "env": {
        "LANGFUSE_PUBLIC_KEY": "pk-lf-xxxxx",
        "LANGFUSE_SECRET_KEY": "sk-lf-xxxxx"
      }
    }
  }
}

5.为你的代理人提供工具

确保你的代理人向Langfuse发送追踪信息：

from langfuse.langchain import CallbackHandler
from langgraph.graph import StateGraph

# Create Langfuse callback handler
langfuse_handler = CallbackHandler(
    public_key="pk-lf-xxxxx",
    secret_key="sk-lf-xxxxx",
    host="https://cloud.langfuse.com"
)

# Create your agent
workflow = StateGraph(AgentState)
workflow.add_node("planner", planner_node)
workflow.add_node("executor", executor_node)
app = workflow.compile()

# Run with Langfuse monitoring
result = app.invoke(
    {"input": "user query"},
    config={
        "callbacks": [langfuse_handler],
        "metadata": {
            "agent_name": "my_planner_agent",
            "version": "v1.0"
        }
    }
)

项目结构

src/langfuse_mcp_python/server.py CLI入口点和stdio传输
src/langfuse_mcp_python/http_server.py 流式HTTP和SSE传输
src/langfuse_mcp_python/utils/tool_registry.py 工具设置和注册
src/langfuse_mcp_python/tools/ 工具实施和规格
src/langfuse_mcp_python/integrations/langfuse_client.py API客户
src/langfuse_mcp_python/core/base_tool.py 共享缓存和指标

可用工具

监控和分析

watch_agents 监控活动代理
get_trace 按ID获取跟踪
analyze_performance 随时间变化的综合性能
get_metrics 聚合指标（延迟、成本、令牌）

分数和评价

get_scores 获取分数
submit_score 创建分数
get_score_configs 列出分数配置

提示

get_prompts 列表提示
create_prompt 创建提示
delete_prompt 删除提示

会话

get_sessions 列出会话

数据集

get_datasets 列出数据集
create_dataset 创建数据集
create_dataset_item 将项目添加到数据集

模型

get_models 列出型号
create_model 创建一个模型
delete_model 删除模型

痕迹

delete_trace 删除跟踪

注释队列

get_annotation_queues 列出注释队列
create_annotation_queue 创建队列
get_queue_items 列出队列项目
resolve_queue_item 解析队列项

Blob存储集成

get_blob_storage_integrations 列出集成
upsert_blob_storage_integration 创建或更新集成
get_blob_storage_integration_status 获取集成状态
delete_blob_storage_integration 删除集成

LLM连接

get_llm_connections 列出连接
upsert_llm_connection 创建或更新连接

项目

get_projects 列出项目
create_project 创建项目
update_project 更新项目
delete_project 删除项目

例子： `watch_agents`

实时监控所有活动代理。

例子：

Show me all active agents from the last hour

答复：

Active Agent Monitoring (last_1h)

Total Traces Found: 15
Showing: Top 10 traces

1. research_agent (Trace: trace-abc12...)
   - Status: completed
   - Session: session-xyz
   - Started: 2026-03-19T10:25:00Z
   - Latency: 1250ms
   - Tokens: 3420
   - Cost: $0.0234

高级用法

过滤剂

Watch only my research_agent and planner_agent from the last 24 hours

性能分析

Analyze performance of my planner_agent over the last 24 hours

成本监控

Show cost breakdown by agent for the last week

深度调试

Show trace details for trace-abc123

建筑

MCP Client (Claude, Cursor, etc.)
  -> Langfuse MCP Server (stdio/HTTP)
  -> Langfuse API
  -> Langfuse Platform
  -> Your Langfuse Agents

安全最佳实践

从不提交凭据 -使用环境变量
旋转API键 定期
使用只读密钥 在可能的情况下
启用速率限制 生产中
屏蔽敏感数据 在痕迹中

监控工作流程示例

每日代理人健康检查

检查活性剂： watch_agents
审查绩效： analyze_performance
检查成本： get_metrics
调查故障： get_trace

代理优化周期

建立基线： analyze_performance 当前版本元数据
部署具有不同元数据的新版本
通过运行来比较版本 analyze_performance 使用版本筛选器
做出数据驱动的部署决策

成本控制

跟踪成本： get_metrics 按代理分组
识别昂贵的代理商
优化高成本运营
随着时间的推移追踪节省情况

故障排除

MCP服务器未连接

检查环境变量是否设置正确
验证Langfuse API密钥是否有效
确保已安装Python 3.11+
检查日志： tail -f ~/.mcp/logs/langfuse-monitor.log

未发现任何痕迹

验证代理是否使用Langfuse进行检测
检查 langfuse_handler 传递给代理调用
确保元数据包括 agent_name
验证时间窗口是否合适

高延迟

减少提取的痕迹数量（使用过滤器）
启用缓存： CACHE_ENABLED=true
使用“最小”深度获取痕迹细节
考虑对大型数据集进行批处理

贡献

欢迎投稿！拜托：

分叉存储库
创建要素分支
添加新功能的测试
提交拉取请求

许可证

MIT许可证-有关详细信息，请参阅许可证文件

致谢

廊坊 -开源LLM可观察性
LangGraph -代理框架
模型上下文协议 -MCP规范

路线图

\[x\] 核心监控工具
\[x\] 性能分析
\[x\] 成本跟踪
\[x\] 调试实用程序
\[\]实时流媒体更新
\[\]自定义警报系统
\[\]预测分析
\[\]A/B测试支持
\[\]多项目支持
\[\]导出到数据仓库

______________________________________________________________________

版本: 1.0.0\ 最后更新2026年3月23日\ 状态：生产就绪

目录标签

系统监控PythonClaude混合部署性能分析实时追踪成本管理可视化分析

支持客户端

Claude DesktopClaudeCursor

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

session

工具数量（toolCount，工具数）

34

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdiosession部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/84c88bcc4bc699921eb4a89bafa6223d

一个基于Langfuse的模型上下文协议(MCP)服务器，提供全面的系统监控和可观测性功能，包括实时监控、性能跟踪、调试和分析等。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

Langflow Custom Deployment

预配置的Langflow Docker容器，支持动态PostgreSQL连接和MCP工具集成，适用于数据库辅助开发和自然语言处理场景。

下一个 MCP

Langgraph Adaptive Tool Middleware

为LangGraph提供的生产级工具执行中间件，具备自动重试、熔断机制和错误恢复功能，适用于处理网络超时、API错误、速率限制和瞬时故障。

Langfuse MCP Python