grafana-mcp-analyzer：基于 MCP 的轻量 AI 分析监控图表的运维神器！

还在深夜盯着 Grafana 图表手动排查问题？今天推荐一个让 AI 能“读图说话”的开源神器 —— grafana-mcp-analyzer。

想象一下这样的场景：

• 凌晨3点，服务器告警响起。。。
• 你睁着惺忪的眼睛盯着复杂的监控图表 😵‍💫
• 花了30分钟才找到问题根源…

现在，仅需一句话就能搞定：

👤 “AI，帮我看看服务器出什么问题了？”

🤖 AI立即回复：“CPU突增85%，主要是订单处理服务的内存泄漏导致，建议…”

项目简介：什么是 grafana-mcp-analyzer？

grafana-mcp-analyzer 是一个开源项目，基于 Model Context Protocol (MCP) 协议，提供了一套桥接 AI 助手（如 ChatGPT、Claude）与 Grafana 监控平台 的中间层服务。它能让 AI 助手实时读取你的 Grafana 仪表盘数据，并用自然语言做出判断、分析以及建议。

功能亮点	技术优势	实际价值
自然语言查询	基于MCP协议，支持Claude/ChatGPT/Cursor	零学习成本，说人话就能分析
一键curl配置	快速配置，浏览器复制即用	30秒完成复杂查询配置
多层级分析	支持单个图表精准分析，也支持整个Dashboard聚合分析	灵活的分析粒度
全数据源支持	Prometheus、ES、MySQL…	统一所有监控数据
专业DevOps建议	不只是展示数据，更提供可执行的优化方案	比人工更快发现潜在问题
超轻量部署	超小体积，快速集成部署	生产环境零负担

一句话总结：让 AI 自动分析 Grafana 指标，做你身边的智能运维专家。

🚀 快速配置：从配置到使用全程不到3分钟

第一步：极速安装（30秒）

npm install -g grafana-mcp-analyzer

MCP 依赖 Node.js 18+ 环境，推荐安装方式详见：Node.js 快速安装最全指南

第二步：智能配置（1分钟）

在项目根目录创建 grafana-config.js 配置文件：

const config = {// 连接你的GrafanabaseUrl: 'https://your-grafana-domain.com',defaultHeaders: {'Authorization': 'Bearer your-api-token','Content-Type': 'application/json'},queries: {// 方式1：curl命令（推荐，浏览器直接复制）cpu_usage: {curl: `curl 'https://your-grafana-domain.com/api/ds/query' \\-X POST \\-H 'Content-Type: application/json' \\-d '{"queries":[{"refId":"A","expr":"rate(cpu_usage[5m])","range":{"from":"now-1h","to":"now"}}]}'`,systemPrompt: `您是CPU性能分析专家。请从以下维度分析CPU使用率：1. 趋势变化与异常点识别；2. 性能瓶颈及根因分析；3. 优化建议与预警阈值；4. 对业务系统的潜在影响评估。`},// 方式2：HTTP API配置（适合复杂查询）frontend_performance: {url: "api/ds/es/query",method: "POST",data: {es: {index: 'frontend_metrics',query: 'your_elasticsearch_query'}},systemPrompt: `您是前端性能分析专家，请分析FCP指标并给出建议，包括：1. 页面加载趋势；2. P75表现；3. 性能预警；4. 用户体验评估；5. 针对性优化方案。`},},healthCheck: { url: 'api/health',timeout: 5000}
};module.exports = config;

配置获取技巧：（推荐 curl）

1、curl命令配置

在Grafana中执行查询 → 按F12打开开发者工具 → Network标签页 -> 找到查询请求 → 右键 → Copy as cURL → 粘贴到配置文件的curl字段

2、HTTP API配置

• 获取 Data 传参：进入图表 → “Query Inspector” → "JSON"解析 → 拷贝请求体(request)
• 获取 Url 和 Headers Token：通过 Network 面板查看请求参数，手动构造 HTTP 配置。

在线转 JSON 地址：https://www.json.cn/jsononline/

第三步：AI 助手集成（1分钟）

Cursor设置 → “MCP” → 服务配置（以Cursor为例）

{"mcpServers": {"grafana": {"command": "grafana-mcp-analyzer","env": {"CONFIG_PATH": "./grafana-config.js"}}}
}

• CONFIG_PATH 支持绝对路径、相对路径、远程路径。配置完成后需重启 Cursor。

第四步：开始对话

👤 您：分析前端性能监控数据 frontend_performance
🤖 AI：正在连接Grafana并分析前端性能指标…

👤 您：分析 cpu_usage CPU使用率是否正常
🤖 AI：正在获取CPU监控数据并进行智能分析…

一句话总结：AI 不再只是“聊天”，现在它也能读懂你的监控图表了。

技术实现原理

项目基于 MCP 协议（Model Context Protocol）进行任务拆解，将 Grafana 图表查询（无论是 PromQL、ES、SQL）统一抽象为结构化数据，提供给 AI 模型进行分析。（简单来说就是 MCP 协议 + Grafana HTTP API）

+------------------+     ask("CPU 怎么样？")     +---------------------+
|   ChatGPT 等 AI  |  <---------------------->  | MCP Analyzer 中间服务 |
+------------------+                            +---------------------+|| 查询转发v+------------------------+|   Grafana HTTP API     |+------------------------+

核心优势在于：

• 与数据源（数据查询语句）解耦，支持多种格式统一接入；
• Prompt 可定制，适配不同分析场景；
• 部署简单，生产可落地；
• 适配各种支持 MCP 协议的 AI 工具/平台；

结语：让监控系统听得懂人话

随着 AI 的能力越来越强，传统运维的工具链也在悄然升级。如果说过去我们是 「人看图 → 手动分析 → 手动决策」，那么今天，我们已经可以迈入 「说句话 → AI 理解 → 给出建议」 的智能时代。

grafana-mcp-analyzer 只是个开始。它展示了 AI 与传统监控（Grafana）融合的潜力。如果你正在用 Grafana，又对 AI 感兴趣，这个值得一试。

📎 项目地址：https://github.com/SailingCoder/grafana-mcp-analyzer
📫 欢迎留言、点赞、分享，让更多人知道这个项目！