Интеграция MCP-сервера и Cursor для автоматизации мониторинга и тестирования

Аннотация:
В этой статье мы разберёмся, как развернуть собственный MCP‑сервер на основе FastAPI, подключить его к Cursor‑Agent и дать LLM‑модели возможность динамически вызывать ваши инструменты — например, получать данные мониторинга или генерировать unit‑тесты на лету. Также покажем, как использование BitDive помогает ещё глубже анализировать трассы вызовов и повышать качество тестов.

Почему MCP и Cursor

Современные LLM‑агенты могут обходиться без внешних вызовов — выдавать ответы исключительно на основе prompt’а. Но когда речь идёт о живых данных (трассы вызовов, результаты SQL‑запросов, исходный код из GitLab), нужно динамически обогащать контекст модели и давать ей «функции» для вызова.

• MCP (Model‑Context Protocol) описывает, как ваши инструменты («tools») сообщаются агенту: JSON‑схемы + HTTP‑эндпоинты + SSE‑канал для discovery.

• Cursor‑Agent (IDE‑плагин или standalone) может подписаться на ваш MCP‑сервер, получить список функций и автоматически проксировать их вызовы к реальной логике.

Это даёт вам:

1. Централизацию всех инструментов LLM в одном месте.

2. Гибкое управление доступом и аудитом всех вызовов.

3. Возможность декуплирования бизнес‑логики от обогащения prompt’а и post‑processing ответов модели.

Роль BitDive в экосистеме мониторинга

BitDive — это высокопроизводительная платформа мониторинга и трассировки, разработанная командой BitDive . Она сочетает в себе:

• ByteBuddy‑инструментацию: перехват HTTP, REST, SQL, Kafka и вызовов методов в рантайме.

• Цепочки вызовов: хранение полного дерева вызовов с параметрами и результатами.

• Горячие точки производительности: автоматический анализ длительных операций и визуализация в UI.

• GitLab‑интеграцию: возможность подгружать исходники, находить участки кода по trace_id и строить ссылки в merge request.

Используя BitDive совместно с MCP‑сервером, LLM‑ассистент получает не просто сырые данные, а уже обогащённые контекстом трассы с точки зрения производительности и защищённости, что позволяет генерировать более точные и релевантные unit‑тесты.

Проблематика на примере мониторинга

Предположим, у вас есть система мониторинга, которая:

• С помощью ByteBuddy и AOP перехватывает REST‑вызовы, SQL‑запросы и цепочки методов.

• Хранит полные трассы вызовов (trace_id → list<MethodCall>).

• В BitDive вы уже видите UI с деталями — но хотите подтянуть эти данные внутрь LLM для автоматической генерации тестов и анализа «узких мест».

Задачи:

1. Получить трассу по trace_id (из BitDive).

2. Сгенерировать unit‑тест, опираясь на содержимое трассы и метрики.

3. Сделать быстрый анализ «горячих точек» производительности.

Как это реализовать без громоздкой ручной подстановки данных в prompt?
В этом поможет связка MCP + Cursor + BitDive.

Шаг 1. Реализация MCP‑сервера на FastAPI

from fastapi import FastAPI, Request, Header, HTTPException from fastapi.responses import JSONResponse from fastapi.middleware.cors import CORSMiddleware import os, asyncio  app = FastAPI() app.add_middleware(CORSMiddleware, allow_origins=["*"])  API_KEY = os.getenv("API_KEY", "secret-token")  # 1) Discovery: список JSON‑схем инструментов @app.get("/v1/tools") async def list_tools(authorization: str = Header(None)):     if authorization != f"Bearer {API_KEY}":         raise HTTPException(401, "Unauthorized")     return [       {         "name": "get_trace",         "description": "Получить трассировку по trace_id из BitDive",         "parameters": {           "type": "object",           "properties": {             "trace_id": {"type": "string", "description": "ID трассы"}           },           "required": ["trace_id"]         }       },       {         "name": "generate_test",         "description": "Сгенерировать unit-тест на основе трассы и метрик BitDive",         "parameters": {           "type": "object",           "properties": {             "trace": {"type": "string", "description": "Сериализованная трасса с метриками"}           },           "required": ["trace"]         }       }     ]  # 2) SSE‑канал: Cursor подписывается и ждёт обновлений @app.get("/v1/events") async def events(request: Request):     async def gen():         yield "event: ready\ndata: {}\n\n"         while not await request.is_disconnected():             await asyncio.sleep(1)     return app.response_class(gen(), media_type="text/event-stream")  # 3) Вызов get_trace @app.post("/v1/tools/get_trace") async def get_trace(body: dict, authorization: str = Header(None)):     if authorization != f"Bearer {API_KEY}":         raise HTTPException(401, "Unauthorized")     trace_id = body["trace_id"]     # интеграция с BitDive API: запрос трассы + метрик     bitdive_data = fetch_from_bitdive(trace_id)     return JSONResponse({"trace": bitdive_data})  # 4) Вызов generate_test @app.post("/v1/tools/generate_test") async def generate_test(body: dict, authorization: str = Header(None)):     if authorization != f"Bearer {API_KEY}":         raise HTTPException(401, "Unauthorized")     trace = body["trace"]     # запускаем локальную генерацию или обращаемся в LLM     test_code = generate_test_from_trace(trace)     return JSONResponse({"test": test_code}) 

Запускаем:

export API_KEY=super-secret pip install fastapi uvicorn uvicorn mcp_server:app --reload --port 8000 

Шаг 2. Настройка Cursor

1. Settings → MCP → MCP Servers → Add new MCP Server.

2. Заполняем:

   • Name: local-mcp

   • URL: http://localhost:8000

   • Events URL: http://localhost:8000/v1/events

   • Auth Header: Bearer super-secret

3. Сохраняем. Cursor подключится к SSE и запросит /v1/tools, включая описания BitDive‑орiented функций.

Шаг 3. Пример диалога с агентом

Пользователь:
Напиши unit‑тест для трассы с callId="abc123".

1. Cursor→LLM с функциями: get_trace, generate_test

2. LLM→Cursor (function_call get_trace)

3. Cursor→MCP /v1/tools/get_trace → BitDive API → возвращает трассу с задержками и SQL

4. Cursor→LLM (trace) → LLM сама решает вызвать generate_test

5. Cursor→MCP /v1/tools/generate_test → возвращает Java‑код теста с проверками по данным BitDive

6. Cursor→LLM→Пользователь: готовый unit‑тест, включающий проверки задержек и SQL‑запросов из BitDive.

Выводы и рекомендации

• BitDive + MCP дают LLM‑ассистенту контекст не просто вызовов, а обогащённые метриками производительности и безопасности.

• Автоматизация. LLM‑агент сам решает, когда и какой инструмент вызвать.

• Гибкость. Новый инструмент — и он сразу доступен модели.

• Аудит и безопасность. Все вызовы проходят через централизованный прокси с логированием.

• Расширяемость. Можно добавить инструменты для анализа hot‑spots, поиска кода, тестирования сценариев.