AI导哈

银行演示事件调查工具

一个通过可观察性工具和Jira集成，由LLM协调的银行生产事件调查演示工具。

  • by michelangelodorado
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 michelangelodorado/mcp-server-bankdemo

使用说明

MCP银行演示

开始

cd mcp-server-bankdemo && docker compose up --build

Librechat配置（Librechat.Yaml）

mcpSettings:
  allowedDomains:
    - "10.1.10.102"
mcpServers:
  observability:
    type: sse
    url: http://10.1.10.102:8001/sse
    timeout: 30000
  jira:
    type: sse
    url: http://10.1.10.102:8002/sse
    timeout: 30000

测试

pip install websockets httpx
python test_mcp.py 10.1.10.102

📊 演示脚本：使用MCP+LibreChat进行事件调查

这个演示使用可观察性工具和Jira集成，在LLM的精心策划下，讲述了一个真实的生产事件。

🚀 设置

  1. 在中打开聊天 Librechat
  2. 确保 两台MCP服务器均已启用
  3. 发送以下提示 一次一个

🧭 分步演示

第一步——设置场景

提示

我们收到客户投诉，称移动银行卡支付失败。你能检查过去60分钟卡身份验证服务的延迟吗？

预期行为

  • 呼叫 metrics_query_range
  • 显示 card-auth-service 延迟在过去一小时内急剧上升
  • 峰值延迟大致达到 1.8-2.0秒

步骤2——检查错误日志

提示

在卡身份验证服务上搜索与“超时”相关的错误日志

预期行为

  • 呼叫 logs_search
  • 显示重复的超时相关故障，例如：
    • timeout acquiring db connection
    • context deadline exceeded

步骤3——检查数据库池

提示

DB连接池是什么样子的？查询db_pool_active_connections以获取卡身份验证服务

预期行为

  • 呼叫 metrics_query_range
  • 显示数据库池使用率从附近攀升 12 到 50/50
  • 确认游泳池已饱和

第4步——找到根本原因

提示

最近是否有任何部署可能导致这种情况？

预期行为

  • 呼叫 deploys_list
  • 显示最近部署的 欺诈引擎v2.14.0-rc3
  • 显示速度阈值已从 8 到 3 txns/min
  • 部署发生在事件激增前不久

第5步——检查爆炸半径

提示

显示支付服务的服务依赖关系图

预期行为

  • 呼叫 service_dependencies
  • 显示以下各项的直接依赖关系 payment-service:
    • card-auth-service
    • fraud-engine

第6步——查找待命人员

提示

现在谁在呼叫支付服务？

预期行为

  • 呼叫 team_oncall_lookup
  • 退货 Raj Patel，高级SRE

步骤7——创建事件

提示

创建SEV-1 Jira事件：“卡支付失败——部署欺诈规则后数据库池耗尽”。将其设置为关键优先级，键入偶发事件，标记sev-1、付款、偶发事件。分配给raj.patel@bank.internal

预期行为

  • 呼叫 issue_create
  • 创建事件并返回 PAY-1043

第8步——添加证据

提示

在PAY-1043中添加一条注释，并附上根本原因摘要：欺诈引擎部署v2.14.0-rc3降低了速度阈值，导致身份验证请求激增，使postgres主数据库上的DB连接池饱和。延迟飙升至1800毫秒左右。

预期行为

  • 呼叫 issue_comment
  • 将调查摘要添加到事件中

步骤9——过渡到进行中

提示

将PAY-1043移至进行中

预期行为

  • 呼叫 issue_transition
  • 更改状态 待办 到 进行中

步骤10——验证待办事项

提示

在Jira中搜索所有关键优先级问题

预期行为

  • 呼叫 issue_search
  • 显示新创建的SEV-1以及其他现有的关键问题

⚡ 一个提示版本

您还可以在一个提示中运行完整的演示：

客户报告手机银行卡支付失败。使用可观察性工具调查问题——检查指标、日志和最近的部署。确定根本原因，找到待命人员，在Jira中创建SEV-1事件，将您的发现作为评论添加，并将其转换为正在进行中。

预期行为

  • LLM在可观察性和Jira工具之间自动链接整个工作流程

🧠 这表明了什么

  • 跨操作系统的多步推理
  • 度量和日志相关性
  • 部署感知根本原因调查
  • 依赖性分析
  • 随叫随到的所有权发现
  • 自动事件创建和工作流更新

🏁 结果

在本演示结束时，您将拥有：

  • 确定了付款失败事件的可能来源
  • 相关延迟、日志、数据库饱和和最近的部署
  • 创建并更新了Jira事件
  • 在现实的事件响应工作流程中演示了自主工具链

相关 MCP