LogAI MCP Server

Um servidor MCP para análise de logs usando o framework LogAI, com integrações opcionais com Grafana e GitHub.

GitHub
23
Experimente este MCPPatrocinado

Documentação

Sherlog Logo

Sherlog Log AI MCP

Um poderoso servidor Model Context Protocol (MCP) que fornece um shell IPython persistente por sessão. O servidor expõe apenas um número limitado de ferramentas e, no núcleo, expõe apenas as seguintes 2:

  1. call_cli
  2. execute_python_code

E o restante das ferramentas serve mais para apoiar o LLM a escrever o código ou chamar a CLI apropriada para concluir a tarefa. Existem algumas ferramentas para recuperação de código baseadas em tree sitter, mas é basicamente isso.

Por exemplo, instalar pacotes ou instalar CLI. Ou fazer introspecção de variáveis no shell IPython.

O servidor também suporta adicionar servidores MCP externos. A ideia aqui é que você possa executar servidores MCP dentro do shell, permitindo persistir resultados no shell com variáveis e resultados, etc.

Uma das principais coisas que notei é que os LLMs erram quando recebem muitas ferramentas, e isso também já é bastante evidente. Existem vários artigos e vídeos (escritos e compartilhados por pessoas muito mais qualificadas do que eu) e o tema principal entre eles são os problemas de sobrecarga de ferramentas e limitação de contexto.

Este servidor é minha tentativa de "resolver" esse problema.

Como, você pergunta?

Nota: O núcleo dessa abordagem é:

  1. Todas as chamadas de ferramentas são persistidas em uma variável no shell e o LLM escreveria código para inspecionar a variável, fatiar/dividir e extrair a parte necessária de um payload "gigantesco". Minha ideia era semelhante a quando nós, engenheiros, trabalhamos com grandes volumes de dados: colocamos em dataframes e depois fatiamos/dividimos para extrair a parte necessária.
  2. Chamadas de CLI são compostas e isso ajuda o LLM a obter apenas o conteúdo necessário

Ambas são formas de não poluir o contexto com informações inúteis.

Visão Geral

O Sherlog MCP Server transforma o Claude Desktop em uma potência de análise de dados com estado, fornecendo:

  • Shells IPython Cientes de Sessão: Espaços de trabalho isolados por sessão com persistência automática
  • Arquitetura Centrada em DataFrame: Cada operação retorna DataFrames, criando um modelo de dados unificado
  • Suporte a Múltiplas Sessões: Suporta até 4 sessões concorrentes com gerenciamento automático de ciclo de vida
  • Proxy MCP: Integra perfeitamente qualquer servidor MCP externo, executando todas as operações dentro do mesmo contexto IPython

Pense nisso como dar ao Claude um notebook Python persistente que mantém espaços de trabalho separados para diferentes conversas, onde cada dado está imediatamente disponível para a próxima operação.

Arquitetura e Design

O Sherlog MCP Server suporta diferentes cenários de implantação por meio de contêineres Docker especializados:

Variantes de Contêiner

Contêiner Vanilla

Um ambiente leve e de propósito geral, otimizado para análise de dados e fluxos de trabalho de desenvolvimento.

Ferramentas Pré-instaladas:

  • GitHub CLI (gh) - Integração completa com GitHub para gerenciamento de repositórios, issues, PRs e workflows
  • Ecossistema Python - Stack completo de computação científica (pandas, numpy, matplotlib, etc.)
  • Utilitários de Sistema - Ferramentas essenciais de linha de comando para operações de arquivos e gerenciamento do sistema

Melhor Para: Análise de dados, web scraping, integrações de API, tarefas gerais de desenvolvimento

Contêiner de Desenvolvimento Android

Um ambiente especializado para fluxos de trabalho de desenvolvimento e testes Android.

Ferramentas Pré-instaladas:

  • Android SDK e Ferramentas de Build - Ambiente completo de desenvolvimento Android
  • Java Development Kit (JDK) - Runtime Java e ferramentas de desenvolvimento necessárias
  • GitHub CLI (gh) - Controle de versão e gerenciamento de repositórios
  • BrowserStack CLI - Capacidades de teste e depuração em dispositivos reais
  • ADB e Fastboot - Ferramentas de comunicação com dispositivos Android

Melhor Para: Desenvolvimento de aplicativos Android, testes em dispositivos, automação móvel, pipelines de CI/CD

Integração Google OAuth

O Sherlog MCP Server inclui suporte integrado ao Google OAuth 2.0 para acessar serviços do Google Workspace (Gmail, Drive, Calendar) diretamente nas sessões IPython. Os tokens OAuth são armazenados com segurança com criptografia e atualizados automaticamente conforme necessário.

Configure com as variáveis de ambiente GOOGLE_CLIENT_ID e GOOGLE_CLIENT_SECRET. Ao executar com transporte HTTP, os endpoints OAuth estão disponíveis em /auth/google/* para o fluxo de autenticação.

Princípios de Design

  • Isolamento de Ambiente: Cada contêiner fornece um ambiente completo e reproduzível
  • Integração de Ferramentas: Todas as ferramentas CLI são acessíveis por meio da interface unificada call_cli
  • Estado Persistente: Os dados da sessão persistem entre reinicializações do contêiner
  • Extensibilidade: Fácil adicionar novas ferramentas ou criar variantes personalizadas de contêiner

Instalação

Pré-requisitos

  • Docker Desktop

Suporte a Conexão Remota

O Sherlog MCP suporta conexão de instâncias remotas do Claude via transporte HTTP. Consulte o Guia de Conexão Remota para instruções detalhadas de configuração.

Configuração

Configurações Principais

# Session Management
export MCP_AUTO_RESET_THRESHOLD=200     # Operations before auto-cleanup (default: 200)
export MCP_AUTO_RESET_ENABLED=true      # Enable automatic memory management
export MCP_MAX_OUTPUT_SIZE=50000        # Max output size per buffer (default: 50KB)
export MCP_MAX_SESSIONS=4               # Maximum concurrent sessions (default: 4)

# Logging
export LOG_LEVEL=INFO

Servidores MCP Externos

Conecte qualquer servidor MCP para executar dentro do espaço de trabalho IPython:

export EXTERNAL_MCPS_JSON='{
  "filesystem": {
    "command": "npx",
    "args": ["-y", "@modelcontextprotocol/server-filesystem", "/tmp"]
  },
  "postgres": {
    "command": "npx",
    "args": ["-y", "@modelcontextprotocol/server-postgres"],
    "env": {
      "DATABASE_URL": "$DATABASE_URL"
    }
  }
}'

Integração MCP Externa

Embora o Sherlog MCP inclua muitas ferramentas nativamente, você pode conectar qualquer servidor MCP para estender a funcionalidade. Ferramentas externas são automaticamente integradas ao espaço de trabalho IPython:

Como Funciona

  1. Ferramentas externas são prefixadas: external_[server]_[tool]
  2. Resultados são automaticamente convertidos em DataFrames
  3. Acesso completo ao mesmo namespace IPython

Adicionando MCPs Externos

"-e", "EXTERNAL_MCPS_JSON={\"postgres\":{\"command\":\"npx\",\"args\":[\"-y\",\"@modelcontextprotocol/server-postgres\"],\"env\":{\"DATABASE_URL\":\"$DATABASE_URL\"}}}"

Implantação no Railway

Este servidor MCP foi projetado para ser implantado no Railway com armazenamento persistente de sessões.

Sessões Persistentes

O servidor persiste automaticamente as sessões do shell IPython entre reinicializações do contêiner usando:

  • Estado da Sessão: Arquivos de sessão individuais armazenados em /app/data/sessions/
  • Metadados da Sessão: Rastreados em session_metadata.json para tempo e estado da sessão
  • Registro de Sessões Ativas: Mantido em session_registry.json para restaurar shells na inicialização

Configuração de Volume no Railway

Ao implantar no Railway, o diretório /app/data é automaticamente persistido por meio do armazenamento persistente do Railway. Isso garante que:

  • As sessões dos usuários sobrevivam a reinicializações do contêiner
  • O estado do shell IPython (variáveis, imports, etc.) seja mantido
  • Os metadados da sessão persistam para o gerenciamento adequado das sessões

Nenhuma configuração adicional é necessária para implantação no Railway - o volume persistente é montado automaticamente.

Arquitetura

Claude Desktop
     ↓
Sherlog MCP Server (http)
     ↓
Session Middleware (manages shells)
     ↓
IPython Shells (one per session)
     ├── Built-in Tools (return DataFrames)
     ├── External MCP Tools (via proxy)
     └── User Code (execute_python_code)
     └── User CLI (call_cli)

Uso Avançado

Trabalhando com MCPs Externos

As ferramentas MCP externas se integram perfeitamente:

  1. Resultados são automaticamente convertidos em DataFrames
  2. Armazenados no namespace IPython com o nome da ferramenta
  3. Disponíveis para operações subsequentes

Exemplo de fluxo:

  • PostgreSQL MCP consulta o banco de dados → resultado armazenado como DataFrame
  • Ferramentas LogAI analisam os dados → criam novos DataFrames
  • Código Python personalizado combina os resultados → análise final

Licença

Apache License 2.0 - consulte o arquivo LICENSE para detalhes.

Palestras e artigos que me inspiraram

Artigo do Armin Como corrigir seu contexto MCPs são Chatos - Recomendado usar eval como a única ferramenta Paper Alita - Este paper também me influenciou de certa forma