# My Server Mcp

> my-server-mcp

- **Type:** MCP server
- **Install:** `agentstack add mcp-zentrix566-my-server-mcp`
- **Verified:** Yes — security-reviewed for prompt injection and unsafe behavior
- **Seller:** [zentrix566](https://agentstack.voostack.com/s/zentrix566)
- **Installs:** 0
- **Category:** [Integrations](https://agentstack.voostack.com/c/integrations)
- **Latest version:** 0.1.0
- **License:** MIT
- **Upstream author:** [zentrix566](https://github.com/zentrix566)
- **Source:** https://github.com/zentrix566/my-server-mcp

## Install

```sh
agentstack add mcp-zentrix566-my-server-mcp
```

Requires the [AgentStack CLI](https://agentstack.voostack.com/docs/cli). Works with Claude Code, Cursor, and any MCP-compatible agent.

## About

# AIOps MCP Analyzer

AIOps MCP Analyzer 是一个可部署在 Linux 服务器上的轻量级运维诊断应用。它把本机巡检、MCP 工具补查、规则分析、DeepSeek LLM 归因和 Web 可视化页面串成一条完整链路。

核心流程：

```text
服务器指标采集
  -> MCP 补查证据
  -> 规则分析
  -> DeepSeek LLM 归因
  -> Web 页面展示处置建议和证据链
```

## 功能特性

- 主机负载、CPU、内存、磁盘、inode、磁盘 I/O、进程、日志文件巡检。
- 输出结构化 `actions` 处置建议和 `evidence` MCP 补查证据。
- 支持 DeepSeek LLM 归因分析，失败时自动回退到规则分析。
- 提供 Web 页面，展示“处置建议 + MCP 补查证据 + LLM 归因结论”。
- 提供 FastAPI HTTP API，方便前端、脚本或其它系统调用。
- 提供 FastMCP SSE 服务，方便 Agent 通过 MCP 工具调用。
- 支持 `.env` 文件配置 DeepSeek API Key。

## 项目结构

```text
aiops-mcp-analyzer/
├── aliyun_ops_mcp.py      # FastMCP SSE 服务入口，暴露 MCP 工具
├── llm_analyzer.py        # DeepSeek LLM 归因分析模块
├── ops_core.py            # 巡检采集、规则分析、完整分析核心逻辑
├── ops_mcp.py             # MCP 兼容入口，复用 aliyun_ops_mcp.py
├── server.py              # FastAPI 后端，提供 API 和静态页面
├── requirements.txt       # Python 依赖
├── start_api.sh           # Linux/macOS API 启动脚本
├── start_mcp.sh           # Linux/macOS MCP 启动脚本
├── start_api.ps1          # Windows API 启动脚本
├── start_mcp.ps1          # Windows MCP 启动脚本
├── .env.example           # DeepSeek 环境变量示例
├── .gitignore             # 忽略虚拟环境、缓存、日志和 .env
├── web/
│   ├── index.html         # 前端页面结构
│   ├── styles.css         # 前端样式
│   └── app.js             # 前端交互逻辑
└── .vscode/
    └── mcp.json           # 本地 MCP 连接示例
```

## 环境要求

- Python 3.11+
- Linux 服务器建议使用 systemd 托管服务
- 如需 LLM 归因，需要 DeepSeek API Key

检查 Python 版本：

```bash
python3 --version
```

## 安装依赖

```bash
cd /opt/aiops-mcp-analyzer

python3.11 -m venv venv
source venv/bin/activate

pip install --upgrade pip
pip install -r requirements.txt
```

如果你的虚拟环境叫 `.venv` 也可以，启动脚本会优先使用 `.venv/bin/python`，其次使用 `venv/bin/python`，最后使用当前环境里的 `python`。

## 配置 DeepSeek

复制配置模板：

```bash
cp .env.example .env
vim .env
```

`.env` 示例：

```bash
DEEPSEEK_API_KEY=你的DeepSeekAPIKey
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-v4-flash
```

注意：

- 不要把 `.env` 提交到仓库。
- `.env` 已经在 `.gitignore` 中默认忽略。
- 修改 `.env` 后需要重启 API 服务。

## 启动 Web/API 服务

手动启动：

```bash
cd /opt/aiops-mcp-analyzer
source venv/bin/activate
./start_api.sh
```

默认监听：

```text
http://0.0.0.0:8080
```

浏览器访问：

```text
http://服务器IP:8080
```

健康检查：

```bash
curl http://127.0.0.1:8080/api/health
```

## 启动 MCP 服务

手动启动：

```bash
cd /opt/aiops-mcp-analyzer
source venv/bin/activate
./start_mcp.sh
```

默认监听：

```text
http://0.0.0.0:8000/sse
```

MCP 客户端配置示例：

```json
{
  "servers": {
    "aliyunOps": {
      "type": "sse",
      "url": "http://服务器IP:8000/sse"
    }
  }
}
```

## Web 使用方法

打开页面后可以：

1. 输入目标主机。留空时分析当前部署服务器。
2. 输入空间编码，默认 `bkcc__131`。
3. 勾选“DeepSeek 归因”启用 LLM 分析。
4. 点击“全量分析”。
5. 查看处置建议、LLM 归因结论和 MCP 补查证据。

当前版本主要分析部署所在服务器。页面里的目标主机字段会进入结果展示和分析上下文，但远程主机采集还需要后续接入 SSH、Agent、Prometheus 或云监控 API。

## API 使用方法

## 相关性与置信度计算方法

系统会为每条 MCP 补查证据计算 `relevance`，并为整次分析计算 `confidence`。

### MCP 工具相关性

每条 evidence 会增加：

```json
{
  "relevance": {
    "score": 82.5,
    "label": "high"
  }
}
```

`score` 是 0 到 100 的百分制分数，`label` 按分数分为：

```text
high:   score >= 80
medium: score >= 60 且 < 80
low:    score < 60
```

相关性计算由三部分组成：

```text
相关性 = 工具基础权重 * 0.62 + 指标信号强度 * 100 * 0.38 + 场景加权
```

工具基础权重用于表达该 MCP 工具对主机告警分析的天然重要性：

```text
get_host_cpu         95
get_host_system_env  95
get_host_workload    92
get_host_disk        92
get_disk_io          82
get_top_processes    82
get_host_inode       78
find_large_log_files 68
space                55
```

指标信号强度根据工具采到的数据动态计算。例如：

- `get_host_cpu`：CPU 使用率高或 iowait 高时相关性升高。
- `get_host_workload`：load15 或 per_cpu_load 偏高时相关性升高。
- `get_host_system_env`：blocked 进程、内存、swap 异常时相关性升高。
- `get_host_disk`：磁盘使用率接近或超过阈值时相关性升高。
- `get_host_inode`：inode 使用率高时相关性升高。
- `find_large_log_files`：存在大日志文件时相关性升高。

如果工具调用失败，相关性最高限制为 45%，避免失败证据被误认为强证据。

### 最终结果置信度

完整分析返回中会增加：

```json
{
  "confidence": {
    "score": 86.4,
    "label": "high",
    "source": "llm+evidence",
    "components": {
      "evidence_coverage": 100.0,
      "avg_relevance": 74.2,
      "rule_confidence": 72.0,
      "llm_confidence": 95.0
    }
  }
}
```

置信度同样是 0 到 100 的百分制分数，`label` 分级规则和相关性一致。

如果 DeepSeek LLM 归因成功：

```text
最终置信度 = LLM 置信度 * 0.50 + 证据覆盖率 * 0.30 + 平均相关性 * 0.20
```

如果 DeepSeek 调用失败并回退到规则分析：

```text
最终置信度 = 规则置信度 * 0.45 + 证据覆盖率 * 0.35 + 平均相关性 * 0.20
```

其中：

- `LLM 置信度`：DeepSeek 返回 JSON 中的 `confidence`。
- `证据覆盖率`：关键 MCP 工具成功数量 / 关键 MCP 工具总数。
- `平均相关性`：所有 evidence 的 relevance 平均值。
- `规则置信度`：根据规则命中的严重程度给出，critical 为 86%，warning 为 78%，normal 为 72%。

前端展示方式：

- 处置建议卡片右下角展示整次分析的 `置信度 xx%`。
- MCP 补查证据卡片右下角展示该工具证据的 `相关性 xx%`。

规则分析：

```bash
curl -X POST http://127.0.0.1:8080/api/analyze/full \
  -H "Content-Type: application/json" \
  -d '{"target":"172.17.107.89","space_code":"bkcc__131","source":"space_list"}'
```

启用 DeepSeek LLM 归因：

```bash
curl -X POST http://127.0.0.1:8080/api/analyze/full \
  -H "Content-Type: application/json" \
  -d '{"target":"172.17.107.89","space_code":"bkcc__131","source":"space_list","use_llm":true}'
```

返回结构示例：

```json
{
  "target": "172.17.107.89",
  "generated_at": 1780361911,
  "actions": [],
  "rule_actions": [],
  "llm": {
    "enabled": true,
    "success": true,
    "provider": "deepseek",
    "model": "deepseek-v4-flash",
    "summary": "",
    "root_cause": "",
    "confidence": 0.95
  },
  "evidence": []
}
```

单工具查询：

```bash
curl http://127.0.0.1:8080/api/tools/get_host_cpu
curl http://127.0.0.1:8080/api/tools/get_host_disk
curl http://127.0.0.1:8080/api/tools/get_top_processes
```

## systemd 部署

生产环境建议使用 systemd 托管 API 和 MCP 服务。

创建 API 服务：

```bash
sudo vim /etc/systemd/system/aiops-api.service
```

内容：

```ini
[Unit]
Description=AIOps Analyzer API
After=network.target

[Service]
WorkingDirectory=/opt/aiops-mcp-analyzer
ExecStart=/opt/aiops-mcp-analyzer/venv/bin/python -m uvicorn server:app --host 0.0.0.0 --port 8080
Restart=always
RestartSec=3

[Install]
WantedBy=multi-user.target
```

创建 MCP 服务：

```bash
sudo vim /etc/systemd/system/aiops-mcp.service
```

内容：

```ini
[Unit]
Description=AIOps MCP SSE Server
After=network.target

[Service]
WorkingDirectory=/opt/aiops-mcp-analyzer
ExecStart=/opt/aiops-mcp-analyzer/venv/bin/python aliyun_ops_mcp.py
Restart=always
RestartSec=3

[Install]
WantedBy=multi-user.target
```

启用并启动：

```bash
sudo systemctl daemon-reload
sudo systemctl enable --now aiops-api aiops-mcp
```

查看状态：

```bash
sudo systemctl status aiops-api
sudo systemctl status aiops-mcp
```

重启：

```bash
sudo systemctl restart aiops-api
sudo systemctl restart aiops-mcp
```

## 常见问题

### 页面没有样式

检查静态资源是否存在：

```bash
ls -la web
curl -I http://127.0.0.1:8080/assets/styles.css
```

如果 `styles.css` 返回 404，说明 `web/` 目录没有上传完整，重新上传整个 `web` 目录。

### DeepSeek 返回 401

先直接测试 DeepSeek：

```bash
set -a
source .env
set +a

curl -i https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [{"role": "user", "content": "只回复 OK"}],
    "stream": false
  }'
```

如果直接请求成功，但页面仍失败，重启 API 服务。

### 修改代码或 .env 后不生效

手动启动时可能有旧进程残留：

```bash
ps -ef | grep "uvicorn server:app" | grep -v grep
pkill -f "uvicorn server:app"
./start_api.sh
```

使用 systemd 时执行：

```bash
sudo systemctl restart aiops-api
```

### 返回中文乱码

确认服务器上的源码是 UTF-8，并且上传的是最新版本：

```bash
grep -n "当前无明显高危异常" ops_core.py
grep -n "权限空间匹配" ops_core.py
```

如果 grep 出来就是乱码，重新上传 UTF-8 源码文件。

## 安全建议

- `8080` Web/API 端口可以按需开放。
- `8000` MCP SSE 端口建议只在内网或可信 IP 范围开放。
- 不要把 `.env`、API Key、Token、日志里的敏感信息提交到仓库。
- 生产环境建议在 Nginx 前面加鉴权或限制来源 IP。

## 作者

zentrix566

## License

MIT

## Source & license

This open-source MCP server is cataloged on AgentStack and links to its original source — we do not rehost the code.

- **Author:** [zentrix566](https://github.com/zentrix566)
- **Source:** [zentrix566/my-server-mcp](https://github.com/zentrix566/my-server-mcp)
- **License:** MIT

Install and usage instructions live in the source repository linked above.

## Pricing

- **Free** — Free

## Security capabilities

Automated source analysis of v0.1.0 — what this tool can access:

- **Network access:** yes
- **Filesystem access:** no
- **Shell / process execution:** no
- **Environment & secrets:** yes
- **Dynamic code execution:** no

*"Yes" means the capability is present in the source — more access means more to trust, not that it is unsafe.*


## Versions

- **0.1.0** — security scan: passed — Imported from the upstream source.

## Links

- Listing page: https://agentstack.voostack.com/l/mcp-zentrix566-my-server-mcp
- Seller: https://agentstack.voostack.com/s/zentrix566
- Browse the marketplace: https://agentstack.voostack.com/browse

---
Listed on AgentStack — the marketplace for AI agent skills and MCP servers. Every listing is security-reviewed. Creators keep 70%.