猎户座-mcp
项目介绍
Orion MCP
Orion MCP 是一个用于性能回归分析的 Model Context Protocol (MCP) 服务器，由 cloud-bulldozer/orion 库提供支持。
主要特性
- 回归检测 – 自动检测 OpenShift 和 Kubernetes 集群中的性能回归。
- 交互式 MCP API – 提供一组可通过 HTTP 或其他 MCP 代理使用的可组合工具和资源。
- 可视化报告 – 生成可用于出版的趋势图、多版本比较图和指标相关性图（PNG/JPEG）。
- 容器优先 – 包含一个轻量级的 OCI 镜像和一个示例 OpenShift 部署清单。
目录
开始使用
先决条件
- Python 3.11 或更高版本
- 一个带有 Orion 指数基准结果的 OpenSearch（或 Elasticsearch ≥7.17）端点
- Podman 或 Docker（可选 – 用于容器化执行）
安装（虚拟环境）
# 克隆仓库
$ git clone https://github.com/YOUR_ORG/orion-mcp.git && cd orion-mcp
# 创建并激活虚拟环境
$ python3.11 -m venv .venv
$ source .venv/bin/activate
# 安装 Python 依赖项
$ pip install -r requirements.txt
快速开始
设置数据源端点并启动本地服务器：
export ES_SERVER="https://opensearch.example.com:9200"
python orion_mcp.py # 默认监听 0.0.0.0:3030
可用工具
| 工具 | 描述 | 默认参数 |
|---|---|---|
get_data_source | 返回配置的 OpenSearch URL | 无 |
get_orion_configs | 列出可用的 Orion 配置文件 | 无 |
get_orion_metrics | 列出按 Orion 配置分组的指标 | 无 |
openshift_report_on | 为一个或多个 OCP 版本生成趋势线 | versions="4.19", lookback="15", metric="podReadyLatency_P99", config="small-scale-udn-l3.yaml" |
openshift_report_on_pr | 新功能 分析特定拉取请求的性能影响 | version="4.20", lookback="15", organization="openshift", repository="ovn-kubernetes", pull_request="2841" |
has_openshift_regressed | 扫描所有配置以查找变化点 | version="4.19", lookback="15" |
metrics_correlation | 关联两个指标并返回散点图 | metric1="podReadyLatency_P99", metric2="ovnCPU_avg", config="trt-external-payload-cluster-density.yaml", version="4.19", lookback="15" |
拉取请求性能分析
概述
openshift_report_on_pr 工具提供了针对 GitHub 拉取请求的 自动性能回归检测。此功能通过将特定 PR 的性能指标与周期性基线性能进行比较来识别潜在的回归。
工作原理
- 基线收集：在指定的回溯期内收集 OpenShift 版本的周期性性能数据
- PR 分析：针对目标拉取请求运行性能测试
- 比较：使用 10% 阈值 将 PR 性能与周期性基线进行比较
- 多配置测试：跨多个 Orion 配置进行全面覆盖测试
支持的配置
PR 分析运行以下关键性能测试配置：
trt-external-payload-cluster-density.yaml- 集群密度和 Pod 缩放测试trt-external-payload-node-density.yaml- 节点级别性能和资源利用率trt-external-payload-node-density-cni.yaml- CNI 特定网络性能trt-外部负载-crd-scale.yaml- 自定义资源定义缩放测试
结果解释
- periodic_avg：回溯期内平均的基线性能指标
- pull：特定 PR 测试运行的性能指标
- 回归检测：使用 10% 阈值比较值：
(pull_value - periodic_avg) / periodic_avg > 0.10表示潜在回归- ±10% 内的值被认为是正常波动
与 AI/LLM 的集成
响应格式优化了 AI 分析。LLM 可以：
- 自动检测回归 通过比较 periodic_avg 和 pull 指标
- 应用 10% 阈值 来确定显著性
- 生成易于理解的报告 突出显示关注的变化
- 提供操作洞察 关于哪些指标退化以及退化的程度
文档
完整的文档：
示例 AI 分析提示
分析此 PR 性能数据，并使用 10% 阈值识别任何回归：
[粘贴 JSON 响应]
对于每个显示 >10% 退化的指标，请解释：
1. 指标的名称及其测量内容
2. 基线与 PR 值
3. 百分比变化
4. 对用户的影响
部署
容器镜像
podman build -t quay.io/YOUR_ORG/orion-mcp:latest .
OpenShift
提供了一个生产就绪的 openshift-deployment.yml：
# 如需更新 ES_SERVER 环境变量，则应用
oc apply -f openshift-deployment.yml
# 验证
oc get pods -l app.kubernetes.io/name=orion-mcp
使用 OpenShift 路由 暴露服务，并将您的 MCP 客户端指向 http://<host>:3030。
开发
# 运行 linters 和测试
flake8
pytest
# 使用 black 和 isort 自动格式化
black . && isort .
贡献
非常欢迎拉取请求！请确保您已阅读并遵守 行为准则。
- 分叉仓库
- 为您的功能或错误修复创建一个新的分支
- 进行更改并添加测试（如适用）
- 提交一个清晰描述您更改的拉取请求
许可证
Orion-MCP 在 Apache 2.0 许可证下发布。查看 LICENSE 文件获取全文。