Weave MCP Server Client Trace

🚀 編織MCP服務器與客戶端關聯追蹤

本項目源自Arize-ai/phoenix中的示例，並進行了修改，以便將其導出到wandb/weave。需要注意的是，存在一個競態條件問題，這有時會導致工具在OpenAI調用步驟時無法正常運行。不過，該問題在原始代碼中就已存在，並非由Weave引入。

🚀 快速開始

環境設置

首先運行cp .env.example .env，然後按照說明設置新環境文件中的相關密鑰。

依賴安裝

• uv：uv sync
• pip：pip install -r requirements.txt

運行客戶端並導出追蹤

• uv：uv run client.py
• python：python client.py

✨ 主要特性

MCP的優勢與挑戰

MCP的主要優勢之一是將AI模型與不同服務、機器和編程語言之間的信息連接起來。這種分佈式的做法帶來了以下幾個好處：

1. 擴展AI功能：使模型能夠連接到專門知識和數據源，這些數據源超出其訓練數據範圍。
2. 即插即用組件：在不重新訓練模型的情況下添加新的上下文提供程序。
3. 多語言支持：使用任何編程語言實現上下文提供程序，同時保持兼容性。

然而，當請求流經多個服務時，調試會變得困難。如何跟蹤請求在整個系統中的完整旅程以識別問題所在，成為了一個挑戰。

OpenTelemetry的解決方案

OpenTelemetry通過以下方式解決跨服務跟蹤的挑戰：

• 在服務之間保留上下文：維護跟蹤ID以及不同組件之間的關係。
• 在網絡邊界自動處理上下文：自動處理網絡請求中的上下文。
• 支持多種語言：使用標準化格式，兼容任何編程語言。

當客戶端以正確的儀器化方式調用服務器時，客戶端會創建一個跨度來跟蹤操作，OTEL上下文會自動隨MCP請求一起傳遞，服務器繼續延續相同的跟蹤而不中斷，所有上下文提供程序繼承此跟蹤上下文，您可以在Phoenix中看到完整的交互作為一個連接的跟蹤。這種可見性對於調試複雜AI系統、優化性能瓶頸以及理解不同組件對應用程序行為的影響至關重要。

📦 安裝指南

環境設置

1. 切換到此目錄：

   cd tutorials/mcp/tracing_between_mcp_client_and_server
   

2. 安裝所需的依賴項：

   pip install -r requirements.txt
   

運行示例

1. 在本地運行Phoenix，或連接到在線的Phoenix實例。 如果您使用的是有身份驗證功能的在線Phoenix實例，請設置PHOENIX_API_KEY。
2. 更新您的.env文件，輸入OPENAI_API_KEY和PHOENIX相關參數。
3. 運行以下命令以啟動服務：

   uv run client.py
   

4. 打開瀏覽器並訪問http://localhost:8000

📚 詳細文檔

代碼說明

• client.py：這是一個簡單的MCP客戶端，用於發送請求到Phoenix進行處理。
• server.py：這是一個基本的MCP服務器，用於接收和處理來自客戶端的請求。

通過以上步驟，您可以輕鬆設置並運行一個帶有跟蹤功能的MCP客戶端和服務器。