Grafana MCP na Prática: Suas Métricas Respondendo Perguntas

O Grafana já é amplamente utilizado para observabilidade, centralizando métricas, logs, traces e dashboards. Com a chegada do MCP (Model Context Protocol), tornou-se possível conectar agentes de IA diretamente ao Grafana, permitindo que eles consultem informações do ambiente durante investigações, troubleshooting e análises operacionais.

Neste artigo, vamos configurar o Grafana MCP para que agentes de IA, como GitHub Copilot, Claude Code, Cursor ou Claude Desktop, possam acessar dados do Grafana de forma segura e contextualizada.

O MCP (Model Context Protocol) é um padrão aberto que permite conectar modelos de linguagem (LLMs) a ferramentas externas. Na prática, ele expõe um conjunto de ferramentas que podem ser utilizadas pela IA para consultar dados, executar ações e interagir com sistemas externos. No caso do Grafana, isso permite que o agente consulte dashboards, métricas, alertas e outras informações diretamente da plataforma, enriquecendo análises e acelerando a resolução de problemas.

Pré-requisitos

Para acompanhar a demonstração, será necessário:

• Ambiente Linux com Docker instalado e configurado (também pode ser utilizado via WSL ou Rancher Desktop).
• VS Code com GitHub Copilot habilitado.
• Uma instância do Grafana OSS ou Enterprise acessível pela rede.
• Um token de Service Account do Grafana, que pode ser criado em Administration → Service Accounts → Add Service Account.

Embora os exemplos utilizem VS Code e GitHub Copilot, o mesmo processo pode ser adaptado para outros agentes compatíveis com MCP, como Claude Code, Cursor ou até mesmo clientes MCP via linha de comando.

Executando o Grafana MCP Server

O Grafana disponibiliza uma imagem oficial que simplifica a execução do MCP Server. Após criar o Service Account Token, preencha os parâmetros abaixo e execute o container:

docker run -d \
  --name mcp-grafana \
  -p 8000:8000 \
  -e GRAFANA_URL=https://seu-grafana.exemplo.com \
  -e GRAFANA_SERVICE_ACCOUNT_TOKEN=glsa_SEU_TOKEN_AQUI \
  grafana/mcp-grafana \
  --transport streamable-http

Além das variáveis apresentadas, o MCP Server suporta diversas opções adicionais, como restrição de permissões, ajustes de rede e parâmetros dinâmicos para cenários mais avançados.

Após a execução, valide se o container está em funcionamento:

docker ps | grep mcp-grafana

O resultado deverá exibir o container com status UP.

Configurando o VS Code

Com o servidor MCP em execução, o próximo passo é registrá-lo no VS Code.

1. Pressione Ctrl + Shift + P.
2. Execute o comando MCP: Add Server.
3. Selecione HTTP (Streamable HTTP).
4. Informe a URL do servidor MCP criado:

http://localhost:8000/mcp

Após a configuração, abra novamente a paleta de comandos com o atalho e execute:

MCP: List Servers

O servidor deverá aparecer com status Running.

Utilizando o MCP com o GitHub Copilot

Com o servidor registrado, o Copilot passa a enxergar as ferramentas disponibilizadas pelo Grafana MCP. A partir desse momento, é possível fazer perguntas em linguagem natural e permitir que o agente consulte métricas e informações diretamente no Grafana.

Alguns exemplos:

• “Crie um dashboard para métricas de infraestrutura do servidor X.”
• “Quais alertas estão disparados neste ambiente?”
• “Analise o consumo de CPU do cluster nas últimas 24 horas.”
• “Existe alguma anomalia de memória nos servidores monitorados?”
• “Quais métricas podem explicar o aumento de latência observado hoje?”

Durante a execução, o Copilot solicitará autorização para utilizar as ferramentas MCP. Após a aprovação, ele poderá consultar o Grafana e utilizar os dados retornados para construir respostas mais precisas e contextualizadas.

Conclusão

O Grafana MCP simplifica a integração entre plataformas de observabilidade e agentes de IA, permitindo que métricas, dashboards e alertas sejam consultados diretamente durante análises operacionais. Com poucos passos, é possível disponibilizar o contexto do Grafana para ferramentas como GitHub Copilot, Claude Code ou Cursor, tornando investigações e troubleshooting mais rápidos e eficientes.

À medida que o ecossistema MCP evolui, a tendência é que cada vez mais ferramentas passem a expor suas funcionalidades nesse padrão, transformando a forma como interagimos com plataformas de observabilidade e operações.