Logfire MCP Server是一个强大的MCP服务器，旨在连接AI模型与您的OpenTelemetry遥测数据。它允许LLM访问并分析Logfire中存储的分布式追踪和指标，从而实现更深入的应用洞察。

该服务器提供了一系列工具，包括按文件查找异常、检索特定文件的详细追踪信息以及执行自定义SQL查询。通过这些工具，开发者可以快速定位问题、理解系统行为并优化应用性能。

Logfire MCP Server通过标准输入/输出流与AI模型无缝集成，利用uvx运行，并支持通过环境变量或命令行参数配置Logfire读取令牌。它能显著提升AI模型在可观测性方面的能力，助力开发者构建更智能、更可靠的应用。只需简单的配置，即可在Cursor、Claude Desktop和Cline等常用MCP客户端中使用。

异常分析与文件定位

Logfire MCP 的核心功能之一是能够从 OpenTelemetry 追踪数据中提取异常信息，并按照文件进行分组统计。通过 find_exceptions 工具，开发者可以快速了解在过去一段时间内（最长7天）哪些文件中出现了最多的异常。该工具接受一个 age 参数，用于指定回溯的时间范围（分钟）。例如，指定 age 为 60，即可获取过去一小时内的异常统计。

这个功能对于快速定位代码中的问题至关重要。当 AI 模型需要理解应用程序的健康状况时，它可以利用此工具来识别潜在的错误源。例如，AI 可以根据异常数量自动识别并报告最不稳定的文件，或者在检测到关键服务出现大量异常时触发警报。技术实现上，该功能通过查询 Logfire API，分析追踪数据中的错误事件，并按照 code.filepath 属性进行聚合统计。

追踪详情与上下文分析

find_exceptions_in_file 工具允许开发者深入了解特定文件中的异常详情。除了异常计数，它还能提供异常发生的时间、消息、类型、函数名、行号以及相关的属性和追踪 ID。该工具需要 filepath（文件路径）和 age（回溯时间）作为参数。

此功能增强了 AI 模型对错误上下文的理解能力。例如，AI 可以利用此工具来分析特定模块中的错误模式，识别导致异常的常见原因，并提出修复建议。通过追踪 ID，AI 还可以将异常与完整的请求流程关联起来，从而更好地理解问题的根本原因。技术实现上，该功能通过查询 Logfire API，筛选指定文件中的错误事件，并提取相关的追踪属性和上下文信息。

自定义查询与数据洞察

Logfire MCP 提供了 arbitrary_query 工具，允许开发者使用 SQL 查询语言直接访问 OpenTelemetry 追踪和指标数据。该工具接受一个 query 参数，用于指定要执行的 SQL 查询，以及一个 age 参数，用于指定回溯的时间范围。

此功能为 AI 模型提供了极大的灵活性，使其能够根据特定的需求提取和分析数据。例如，AI 可以使用自定义查询来计算特定服务的错误率、识别性能瓶颈、或者分析用户行为模式。通过 get_logfire_records_schema 工具，AI 还可以获取 OpenTelemetry 数据的 schema 信息，从而更好地构建查询。技术实现上，该功能将 SQL 查询发送到 Logfire API，并返回查询结果。这使得 AI 模型能够利用 Logfire 强大的数据分析能力，而无需了解底层的实现细节。