Servidor MCP de Dynatrace: del síntoma a la solución con un asistente de código

Servidor MCP de Dynatrace en un asistente de código: método en cinco pasos para llevar una lentitud en producción hasta el código y verificar la solución.
Serveur MCP Dynatrace : du symptôme au correctif avec un assistant de code

El servidor MCP de Dynatrace permite que un asistente de código consulte los datos de observabilidad de producción mientras lee tu repositorio. Ese detalle cambia la naturaleza de una investigación: el asistente ya no adivina dónde está la lentitud a partir del solo código fuente, sino que la constata en las trazas, las métricas y los problemas detectados, y luego remonta hasta las líneas afectadas.

Sin ese vínculo, un desarrollador malabarea entre dos mundos. Por un lado el editor, donde un asistente propone refactorizaciones plausibles; por otro la consola de observabilidad, donde están los hechos. La traducción entre ambos se hace a mano, a menudo bajo la presión de un incidente.

Este artículo propone un método reproducible, en cinco pasos, para ir del síntoma a la solución con un asistente conectado al servidor MCP de Dynatrace y, sobre todo, para comprobar que la solución ha producido realmente el efecto esperado.

Qué aporta el servidor MCP de Dynatrace a un asistente de código

Un servidor MCP expone herramientas que un modelo puede invocar (el principio se detalla en nuestra guía del Model Context Protocol). El de Dynatrace da acceso al contexto de la plataforma: problemas abiertos, entidades y sus relaciones, datos consultables con DQL en Grail, métricas de procesos y de hosts. Así, el asistente puede descubrir una entidad, seguir sus dependencias y recuperar las mediciones pertinentes sin que tú escribas la consulta.

Dynatrace publica también skills: instrucciones listas para usar que explican a un agente cómo consultar la plataforma con eficacia, qué tipos de entidades existen y cómo comprobar una corrección. El servidor abre el acceso; los skills orientan el método.

Un punto importante si has seguido tutoriales más antiguos: el servidor local de código abierto (dynatrace-oss/dynatrace-mcp, lanzado con npx) está ahora obsoleto. Dynatrace recomienda el servidor MCP remoto, alojado en tu entorno SaaS y descrito en la documentación oficial del servidor MCP de Dynatrace. Es el que usamos a continuación.

Un escenario típico: la latencia sube sin motivo aparente

Tomemos un ejemplo deliberadamente banal. Una API de pedidos, escrita en Python, responde en 300 ms en condiciones normales. Desde el último paso a producción, el percentil 95 supera los 4 segundos en el endpoint que lista los pedidos de un cliente. El código ha cambiado poco: se añadió un campo «dirección de entrega» a la respuesta. Dynatrace ha abierto un problema de degradación del tiempo de respuesta en el servicio.

La revisión de código no detectó nada alarmante. Es exactamente el tipo de situación en la que un asistente que solo ve el código dará vueltas en círculo, y en la que los datos de producción marcan la diferencia.

En la práctica

Paso 1: conectar el asistente al servidor MCP

Al servidor remoto se accede mediante una URL, con transporte HTTP, y un token de plataforma en la cabecera de autorización. En un host que acepta configuración JSON, se parece a esto (la clave raíz, servers o mcpServers, depende del host; la URL exacta figura en la documentación):

{
  "servers": {
    "dynatrace-mcp": {
      "url": "https://VOTRE-ENV.apps.dynatrace.com/platform-reserved/mcp-gateway/v0.1/servers/dynatrace-mcp/mcp",
      "headers": {
        "Authorization": "Bearer <JETON_DE_PLATEFORME>"
      }
    }
  }
}

El token debe llevar los permisos de acceso a la pasarela MCP (mcp-gateway:servers:invoke y mcp-gateway:servers:read en la fecha de redacción), además de los permisos de lectura de Grail necesarios para los datos buscados, por ejemplo storage:spans:read. Crea un token dedicado, de solo lectura, con fecha de caducidad; los motivos se detallan en nuestro artículo para proteger un servidor MCP. Una vez conectado, comprueba que el asistente lista las herramientas de Dynatrace antes de continuar.

Paso 2: partir del síntoma, no de la hipótesis

Formula la primera pregunta a partir de lo que observas, sin orientar al asistente hacia una causa supuesta:

Quel problème Dynatrace est ouvert sur le service api-commandes ?
Depuis quand, et quels endpoints sont les plus touchés ?

Deja que el asistente identifique la entidad, el problema y la ventana temporal. Pídele que cite el período y las cifras en las que se apoya.

Paso 3: bajar hasta las llamadas costosas

Pregunta después qué compone el tiempo de respuesta: llamadas a la base de datos, llamadas salientes, tiempo de CPU. Para contrastar la respuesta, nada impide lanzar tú mismo una consulta equivalente en un Notebook. Por ejemplo, para contar las consultas SQL emitidas por el servicio:

fetch spans, from: now() - 2h
| filter service.name == "api-commandes"
| filter isNotNull(db.query.text)
| summarize appels = count(), duree_moy = avg(duration), by: { db.query.text }
| sort appels desc
| limit 10

El nombre exacto de los campos (db.query.text o db.statement según la instrumentación) debe adaptarse a tus datos. En nuestro escenario el resultado es contundente: una misma consulta SELECT sobre la tabla de direcciones se ejecuta decenas de veces por llamada al endpoint.

Paso 4: relacionar la medición con el código

Aquí es donde el asistente de código resulta más útil: dispone a la vez de la consulta SQL observada y del repositorio. Pídele que encuentre el lugar que la emite. Identifica un bucle que carga la dirección de cada pedido de uno en uno, el clásico problema «N+1»:

# Avant : une requête par commande
for commande in commandes:
    commande.adresse = db.fetch_one(
        "SELECT * FROM adresses WHERE id = %s", (commande.adresse_id,)
    )

# Après : une seule requête pour toutes les commandes
ids = [c.adresse_id for c in commandes]
adresses = db.fetch_all("SELECT * FROM adresses WHERE id = ANY(%s)", (ids,))
par_id = {a.id: a for a in adresses}
for commande in commandes:
    commande.adresse = par_id.get(commande.adresse_id)

Revisa la corrección como cualquier otra contribución: el asistente propone, tú validas.

Paso 5: verificar el efecto tras el despliegue

Una corrección no está terminada hasta que producción la confirma. Tras el despliegue, repite la misma pregunta al servidor MCP: número de consultas SQL por llamada, tiempo de respuesta en el percentil 95, estado del problema. Si la curva no se mueve, la causa estaba en otro sitio y la investigación se reanuda con datos nuevos en lugar de con una intuición.

Buenas prácticas

  • Exigir que cada afirmación del asistente vaya acompañada del período y de los valores medidos.
  • Contrastar las conclusiones importantes con una consulta DQL lanzada por ti.
  • Usar un token personal o de equipo, de solo lectura, con fecha de caducidad.
  • Conservar el control de toda acción en producción: el asistente propone, una persona aplica.
  • Vigilar el consumo de consultas y de tokens: una investigación habladora tiene un coste.
  • Guardar la conversación útil en el ticket del incidente para el postmortem.

Preguntas frecuentes

¿Puede el servidor MCP de Dynatrace modificar mi producción?

Su uso principal es la consulta de datos. Los derechos efectivos dependen del token que le proporciones: concede solo permisos de lectura para este tipo de uso.

¿Qué asistente de código usar?

Cualquier host compatible con MCP puede funcionar. Dynatrace ofrece además integraciones específicas, como el plugin para Cursor o un agente de Copilot Studio en Teams.

¿Hace falta conocer DQL para aprovecharlo?

No para empezar: el asistente construye las consultas. Pero saber leer una consulta DQL ayuda mucho a comprobar qué ha consultado realmente.

Conclusión

El servidor MCP de Dynatrace no sustituye el criterio del desarrollador: elimina la traducción manual entre la consola y el editor. Partiendo del síntoma medido, relacionando la medición con el código y verificando después el resultado en producción, una intuición se convierte en un ciclo de corrección corto y controlable. Para llegar hasta el final, traza también estos intercambios, como mostramos para observar los agentes MCP con OpenTelemetry.

Para ir más lejos: From symptom to fix in minutes: AI-assisted development with Dynatrace MCP (blog de Dynatrace, en inglés).

span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC ni a los proyectos citados. Las marcas citadas pertenecen a sus propietarios. Las herramientas evolucionan rápido: comprueba los comandos y las opciones en su documentación oficial.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
Model Context Protocol (MCP) expliqué : hôte, client, serveur, outils et transports

Model Context Protocol (MCP) explicado: host, cliente, servidor, herramientas y transportes

Next Post
Sécuriser serveur MCP : tokens, moindre privilège, injection de prompt et validation humaine

Proteger un servidor MCP: tokens, mínimo privilegio, inyección de prompt y validación humana

Related Posts