Weave MCP Server Client Trace

🚀 编织MCP服务器与客户端关联追踪

本项目源自Arize-ai/phoenix中的示例，并进行了修改，以便将其导出到wandb/weave。需要注意的是，存在一个竞态条件问题，这有时会导致工具在OpenAI调用步骤时无法正常运行。不过，该问题在原始代码中就已存在，并非由Weave引入。

🚀 快速开始

环境设置

首先运行cp .env.example .env，然后按照说明设置新环境文件中的相关密钥。

依赖安装

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

运行客户端并导出追踪

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

✨ 主要特性

MCP的优势与挑战

MCP的主要优势之一是将AI模型与不同服务、机器和编程语言之间的信息连接起来。这种分布式的做法带来了以下几个好处：

1. 扩展AI功能：使模型能够连接到专门知识和数据源，这些数据源超出其训练数据范围。
2. 即插即用组件：在不重新训练模型的情况下添加新的上下文提供程序。
3. 多语言支持：使用任何编程语言实现上下文提供程序，同时保持兼容性。

然而，当请求流经多个服务时，调试会变得困难。如何跟踪请求在整个系统中的完整旅程以识别问题所在，成为了一个挑战。

OpenTelemetry的解决方案

OpenTelemetry通过以下方式解决跨服务跟踪的挑战：

• 在服务之间保留上下文：维护跟踪ID以及不同组件之间的关系。
• 在网络边界自动处理上下文：自动处理网络请求中的上下文。
• 支持多种语言：使用标准化格式，兼容任何编程语言。

当客户端以正确的仪器化方式调用服务器时，客户端会创建一个跨度来跟踪操作，OTEL上下文会自动随MCP请求一起传递，服务器继续延续相同的跟踪而不中断，所有上下文提供程序继承此跟踪上下文，您可以在Phoenix中看到完整的交互作为一个连接的跟踪。这种可见性对于调试复杂AI系统、优化性能瓶颈以及理解不同组件对应用程序行为的影响至关重要。

📦 安装指南

环境设置

1. 切换到此目录：

   cd tutorials/mcp/tracing_between_mcp_client_and_server
   

2. 安装所需的依赖项：

   pip install -r requirements.txt
   

运行示例

1. 在本地运行Phoenix，或连接到在线的Phoenix实例。 如果您使用的是有身份验证功能的在线Phoenix实例，请设置PHOENIX_API_KEY。
2. 更新您的.env文件，输入OPENAI_API_KEY和PHOENIX相关参数。
3. 运行以下命令以启动服务：

   uv run client.py
   

4. 打开浏览器并访问http://localhost:8000

📚 详细文档

代码说明

• client.py：这是一个简单的MCP客户端，用于发送请求到Phoenix进行处理。
• server.py：这是一个基本的MCP服务器，用于接收和处理来自客户端的请求。

通过以上步骤，您可以轻松设置并运行一个带有跟踪功能的MCP客户端和服务器。