根节点-MCP服务器

Name: 根节点-MCP服务器
Author: Rootly-AI-Labs

作者：Rootly-AI-Labs36 星标更新：2025-11-19

安装使用来源：spider==github.com

项目介绍

Rootly MCP Server

与 Cursor、Windsurf 和 Claude 等兼容 MCP 的编辑器无缝集成的 Rootly API 服务器。无需离开您的 IDE 即可在一分钟内解决生产问题。

演示 GIF

预备条件

Python 3.12 或更高版本

uv 包管理器

curl -LsSf https://astral.sh/uv/install.sh | sh

具有适当权限的 Rootly API 令牌（见下文）

API 令牌权限

MCP 服务器需要一个 Rootly API 令牌。根据您的需求选择适当的令牌类型：

全局 API 密钥（推荐）：对您整个 Rootly 实例中的所有实体具有完全访问权限。适用于跨团队、时间表和事件的组织级可见性。
团队 API 密钥：具有该团队拥有的实体的完全读写权限。适合特定团队的工作流程。
个人 API 密钥：继承创建它的用户的权限。适用于个人用例，但可能具有有限的可见性。

为了实现工具如 get_oncall_handoff_summary、get_oncall_shift_metrics 和组织级事件搜索的全部功能，建议使用 全局 API 密钥。

安装

配置兼容 MCP 的编辑器（已测试 Cursor），使用以下配置之一。当您首次打开编辑器时，包将自动下载并安装。

使用 uv

{
  "mcpServers": {
    "rootly": {
      "command": "uv",
      "args": [
        "tool",
        "run",
        "--from",
        "rootly-mcp-server",
        "rootly-mcp-server"
      ],
      "env": {
        "ROOTLY_API_TOKEN": "<YOUR_ROOTLY_API_TOKEN>"
      }
    }
  }
}

使用 uvx

{
  "mcpServers": {
    "rootly": {
      "command": "uvx",
      "args": [
        "--from",
        "rootly-mcp-server",
        "rootly-mcp-server"
      ],
      "env": {
        "ROOTLY_API_TOKEN": "<YOUR_ROOTLY_API_TOKEN>"
      }
    }
  }
}

要自定义 allowed_paths 并访问额外的 Rootly API 路径，请克隆存储库并使用此配置：

{
  "mcpServers": {
    "rootly": {
      "command": "uv",
      "args": [
        "run",
        "--directory",
        "/path/to/rootly-mcp-server",
        "rootly-mcp-server"
      ],
      "env": {
        "ROOTLY_API_TOKEN": "<YOUR_ROOTLY_API_TOKEN>"
      }
    }
  }
}

连接到托管 MCP 服务器

或者，直接连接到我们的托管 MCP 服务器：

{
  "mcpServers": {
    "rootly": {
      "command": "npx",
      "args": [
        "-y",
        "mcp-remote",
        "https://mcp.rootly.com/sse",
        "--header",
        "Authorization:${ROOTLY_AUTH_HEADER}"
      ],
      "env": {
        "ROOTLY_AUTH_HEADER": "Bearer <YOUR_ROOTLY_API_TOKEN>"
      }
    }
  }
}

功能

动态工具生成：从 Rootly 的 OpenAPI（Swagger）规范自动创建 MCP 资源
智能分页：默认每个请求 10 个项目以防止上下文窗口溢出
API 过滤：限制暴露的 API 端点以提高安全性和性能
智能事件分析：智能工具分析历史事件数据
- find_related_incidents：使用 TF-IDF 相似性分析找到历史上相似的事件
- suggest_solutions：挖掘过去的事件解决方案以推荐可操作的解决方案
MCP 资源：将事件和团队数据作为结构化资源公开，便于 AI 引用
智能模式识别：自动识别服务、错误类型和解决方案模式

可用工具

警报

listIncidentAlerts
listAlerts
attachAlert
createAlert

环境

listEnvironments
createEnvironment

功能

listFunctionalities
createFunctionality

工作流

listWorkflows
createWorkflow

事件

listIncidentActionItems
createIncidentActionItem
listIncident_Types
createIncidentType
search_incidents
find_related_incidents
suggest_solutions

值班

get_oncall_shift_metrics
get_oncall_handoff_summary
get_shift_incidents

服务及严重程度

listServices
createService
listSeverities
createSeverity

团队及用户

listTeams
createTeam
listUsers
getCurrentUser

元数据

list_endpoints

为什么限制路径？

我们限制暴露的 API 路径有两个关键原因：

上下文管理：Rootly 的全面 API 可能会压倒 AI 代理，影响它们执行简单任务的能力
安全性：控制通过 MCP 服务器可以访问的信息和操作

要暴露额外的路径，请修改 src/rootly_mcp_server/server.py 中的 allowed_paths 变量。

智能分析工具

MCP 服务器包括智能工具，分析历史事件数据以提供可操作的见解：

`find_related_incidents`

使用文本相似性分析找到历史上相似的事件：

find_related_incidents(incident_id="12345", similarity_threshold=0.15, max_results=5)

输入：事件 ID、相似度阈值（0.0-1.0）、最大结果数
输出：带有置信分数、匹配的服务和解决时间的相似事件
用例：从过去的事件中获取上下文以理解模式和解决方案

`suggest_solutions`

通过分析类似事件是如何解决的来推荐解决方案：

suggest_solutions(incident_id="12345", max_solutions=3)
# 或对于新事件：
suggest_solutions(incident_title="支付 API 错误", incident_description="用户在结账时收到 500 错误")

输入：事件 ID 或标题/描述文本
输出：带有置信分数和时间估计的可操作解决方案建议
用例：基于成功的过去解决方案获得智能建议

工作原理

文本相似性：使用 TF-IDF 向量化和余弦相似性（scikit-learn）
服务检测：自动从事件文本中识别受影响的服务
模式识别：发现常见的错误类型、解决方案模式和时间估计
备用模式：在没有 ML 库的情况下使用基于关键词的相似性工作
解决方案挖掘：从解决方案摘要中提取可操作步骤

数据要求

为了获得最佳效果，请确保您的 Rootly 事件具有描述性的：

标题：清晰、具体的事件描述
摘要：关闭事件时的详细解决方案步骤
服务标签：正确的服务标识

好的解决方案摘要示例："重启了 auth-service，清除了 Redis 缓存，并将连接池从 10 增加到 50"

值班班次指标

获取任意时间段的值班班次指标，按用户、团队或时间表分组。包括主要/次要角色跟踪、班次计数、小时数和值班天数。

get_oncall_shift_metrics(
    start_date="2025-10-01",
    end_date="2025-10-31",
    group_by="user"
)

值班交接总结

完整的交接：当前/下一个值班人员+班次期间的事件。

# 所有值班（任何时区）
get_oncall_handoff_summary(
    team_ids="team-1,team-2",
    timezone="America/Los_Angeles"
)

# 区域过滤 - 仅显示亚太地区业务时间内亚太地区的值班人员
get_oncall_handoff_summary(
    timezone="Asia/Tokyo",
    filter_by_region=True
)

区域过滤仅显示指定时区业务时间（上午 9 点至下午 5 点）内的值班人员。

返回：带有 current_oncall、next_oncall 和 shift_incidents 的 schedules

班次事件

一段时间内的事件，按严重程度/状态/标签过滤。

get_shift_incidents(
    start_time="2025-10-20T09:00:00Z",
    end_time="2025-10-20T17:00:00Z",
    severity="critical",  # 可选
    status="resolved",    # 可选
    tags="database,api"   # 可选
)

返回：incidents 列表 + summary（计数、平均解决时间、分组）

开发者设置及故障排除

预备条件

Python 3.12 或更高版本
用于依赖管理的 uv

1. 设置虚拟环境

创建并激活虚拟环境：

uv venv .venv
source .venv/bin/activate  # 在运行脚本之前始终激活

2. 安装依赖项

安装所有项目依赖项：

uv pip install .

在开发过程中添加新的依赖项：

uv pip install <package>

3. 设置 Git Hooks（推荐给贡献者）

安装预提交钩子以在提交前自动运行代码检查和测试：

./scripts/setup-hooks.sh

这通过运行以下内容确保代码质量：

Ruff 代码检查
Pyright 类型检查
单元测试

4. 验证安装

现在，服务器应该可以与兼容 MCP 的编辑器一起使用了。

对于开发者：在 tests/ 目录中提供了额外的测试工具。

在 Postman 上玩转它

关于 Rootly AI 实验室

该项目由 Rootly AI 实验室开发，在那里我们正在构建系统可靠性和运营卓越的未来。作为一个开源孵化器，我们分享想法、实验并快速原型化解决方案，以造福整个社区。 Rootly AI 徽标