Live:CloudOps Webinars & Hands-on Workshops ·Register ↗
メインコンテンツまでスキップ

MCP Server デモクエリ

このガイドでは、Kiro IDE との MCP サーバー統合をテストするために使用できる自然言語クエリの例を提供します。

前提条件​

  1. Kiro で MCP サーバーをセットアップしていることを確認してください（参照： SETUP-MCP-KIRO.md)
  2. マルチクラウドデモを実行してテレメトリを生成します。 python3 AI-OBS_DEMO/multi-cloud-demo.py
  3. CloudWatch にメトリクスが表示されるまで 1〜2 分待ちます。

スクリーンショット用のクエリ例​

1. トークン使用量の分析​

クエリ: 「どのモデルが最もトークンを消費していますか？」

期待されるレスポンス：

{
  "token_type": "input",
  "time_range_hours": 1,
  "models": [
    {
      "model": "anthropic.claude-3-haiku-20240307-v1:0",
      "total_tokens": 475
    },
    {
      "model": "gpt-4o",
      "total_tokens": 312
    },
    {
      "model": "gemini-1.5-pro",
      "total_tokens": 289
    }
  ]
}

代替クエリ:

  • 「過去 1 時間の入力トークン使用量を表示してください」
  • 「Claude Haiku は何個の出力トークンを使用しましたか？」
  • 「すべてのモデルのトークン消費量を比較してください」

2. レイテンシー統計​

クエリ: 「Claude Haiku の平均レイテンシーはどのくらいですか？」

期待されるレスポンス：

{
  "model": "anthropic.claude-3-haiku-20240307-v1:0",
  "avg_latency_ms": 1234.56,
  "max_latency_ms": 1876.23,
  "min_latency_ms": 892.45,
  "time_range_hours": 1,
  "datapoints": 31
}

代替クエリ:

  • 「すべてのモデルのレイテンシー統計を表示してください」
  • 「最もレイテンシーが高いモデルはどれですか？」
  • 「応答時間の観点で最も速いモデルはどれですか？」

3. リクエストボリューム​

クエリ: 「過去 1 時間で何件のリクエストが行われましたか？」

期待されるレスポンス：

{
  "time_range_hours": 1,
  "models": [
    {
      "model": "anthropic.claude-3-sonnet-20240229-v1:0",
      "total_requests": 81
    },
    {
      "model": "anthropic.claude-3-haiku-20240307-v1:0",
      "total_requests": 31
    },
    {
      "model": "gpt-4o",
      "total_requests": 21
    }
  ]
}

代替クエリ:

  • 「モデル別のリクエスト数を表示してください」
  • 「最も使用されているモデルはどれですか？」
  • 「GPT-4o は何回呼び出されましたか？」

4. コスト見積もり​

クエリ: 「過去 1 時間の LLM 使用コストを見積もってください」

期待されるレスポンス：

{
  "time_range_hours": 1,
  "total_estimated_cost_usd": 0.0142,
  "cost_breakdown": [
    {
      "model": "anthropic.claude-3-haiku-20240307-v1:0",
      "input_tokens": 475,
      "output_tokens": 8084,
      "estimated_cost_usd": 0.0102
    },
    {
      "model": "anthropic.claude-3-sonnet-20240229-v1:0",
      "input_tokens": 312,
      "output_tokens": 2456,
      "estimated_cost_usd": 0.0031
    }
  ],
  "note": "Costs are estimates based on Claude 3 Haiku pricing ($0.25/$1.25 per 1M tokens)"
}

代替クエリ:

  • 「今日の LLM の推定コストはいくらですか？」
  • 「Claude モデルにいくら費やしていますか？」
  • 「リクエストあたりのコストを計算してください」

5. モデルの比較​

クエリ: 「レイテンシーとトークン使用量ですべてのモデルを比較する」

期待されるレスポンス：

{
  "time_range_hours": 1,
  "latency": {
    "models": [
      {
        "model": "anthropic.claude-3-sonnet-20240229-v1:0",
        "avg_latency_ms": 2567.89
      },
      {
        "model": "gpt-4o",
        "avg_latency_ms": 2234.12
      },
      {
        "model": "anthropic.claude-3-haiku-20240307-v1:0",
        "avg_latency_ms": 1234.56
      }
    ]
  },
  "input_tokens": {
    "models": [
      {
        "model": "anthropic.claude-3-haiku-20240307-v1:0",
        "total_tokens": 475
      },
      {
        "model": "anthropic.claude-3-sonnet-20240229-v1:0",
        "total_tokens": 312
      }
    ]
  },
  "output_tokens": {
    "models": [
      {
        "model": "anthropic.claude-3-haiku-20240307-v1:0",
        "total_tokens": 8084
      },
      {
        "model": "anthropic.claude-3-sonnet-20240229-v1:0",
        "total_tokens": 2456
      }
    ]
  },
  "requests": {
    "models": [
      {
        "model": "anthropic.claude-3-sonnet-20240229-v1:0",
        "total_requests": 81
      },
      {
        "model": "anthropic.claude-3-haiku-20240307-v1:0",
        "total_requests": 31
      }
    ]
  }
}

代替クエリ:

  • 「アクティブなすべてのモデルの比較を表示して」
  • 「最高のパフォーマンスを提供するモデルはどれですか？」
  • 「Claude Haiku と Claude Sonnet を比較して」

高度なクエリ​

時間範囲クエリ​

クエリ: 「過去 2 時間のトークン使用量を表示してください」

MCP サーバーはカスタム時間範囲をサポートしています。 hours パラメーター。

特定のモデルクエリ​

クエリ: 「anthropic.claude-3-haiku-20240307-v1:0 のレイテンシーはどのくらいですか？」

完全なモデル ID を使用して特定のモデルをクエリできます。

マルチメトリクスクエリ​

クエリ: "Claude Haiku のパフォーマンスの完全な概要を教えてください"

これにより、以下がトリガーされます。 compare_models 指定されたモデルのすべてのメトリクスを表示するツールです。

スクリーンショット撮影のヒント​

デモスクリーンショット用のベストクエリ​

  1. コスト分析 (最も印象的):

    "Estimate the cost of LLM usage for the last hour"

    ドル金額で実際のビジネス価値を示します。

  2. モデル比較 (最も包括的):

    "Compare all models by latency and token usage"

    プロバイダー間での統合されたオブザーバビリティの力を示します。

  3. シンプルなクエリ (最もアクセスしやすい):

    "Which model is consuming the most tokens?"

    理解しやすく、自然言語の能力を示しています。

スクリーンショット構成のヒント​

  1. クエリを表示する: 自然言語クエリが表示されていることを確認します
  2. レスポンスを表示する: データを含む完全な JSON レスポンスを含めます
  3. コンテキストを表示する: 可能であれば IDE のコンテキスト（ファイルエクスプローラー、ターミナル）を含めます
  4. 重要なデータを強調する: レスポンス内の興味深いインサイトを指摘します

スクリーンショットフローの例​

  1. Kiro IDE を開きます
  2. チャットパネルを開きます
  3. 「Estimate the cost of LLM usage for the last hour」と入力します
  4. MCP サーバーの応答を待ちます
  5. 以下を示すスクリーンショットを撮ります。
    • 自然言語クエリ
    • 構造化された JSON レスポンス
    • モデル別のコスト内訳
    • 推定合計コスト

トラブルシューティング​

「データなし」レスポンス​

問題: MCP サーバーが空の結果を返す

解決策:

  1. デモを実行してメトリクスを生成します。 python3 AI-OBS_DEMO/multi-cloud-demo.py
  2. CloudWatch がメトリクスを取り込むまで 1〜2 分待ちます
  3. 時間範囲を広げてみてください。「過去 2 時間のトークン使用量を表示して」

MCP サーバーが応答しない​

問題: クエリがタイムアウトするか失敗する

解決策:

  1. MCP サーバーが実行中であることを確認します。Kiro MCP パネルで「ai-observability」を探してください。
  2. AWS 認証情報を確認します。 aws sts get-caller-identity
  3. CloudWatch の権限を確認します。CloudWatch メトリクスへの読み取りアクセスが許可されていることを確認してください。
  4. Kiro を再起動して MCP 設定を再読み込みします。

権限エラー​

問題: レスポンスに "AccessDenied" エラーが発生する

解決策:

  1. IAM 権限に含まれていることを確認します cloudwatch:GetMetricStatistics
  2. IAM 権限に以下が含まれていることを確認します cloudwatch:ListMetrics
  3. AWS リージョンが設定されていることを確認します us-east-1 MCP 設定内

MCP サーバーを直接テストする​

Kiro を使用せずに MCP サーバーを直接テストすることもできます。

python3 AI-OBS_DEMO/test-mcp-server.py

これにより、5 つの MCP ツールがすべて実行され、結果が表示されます。以下の用途に役立ちます。

  • MCP サーバーが動作していることの確認
  • 問題のデバッグ
  • レスポンス形式の理解
  • ドキュメント用サンプルデータの生成

次のステップ​

スクリーンショットを撮影した後、

  1. ブログ投稿に追加する: 「デモ結果」セクションにスクリーンショットを含める
  2. チュートリアルを作成する: スクリーンショットを使用してステップバイステップのガイドを作成する
  3. チームと共有する: 自然言語クエリ機能をデモンストレーションする
  4. フィードバックを収集する: 他にどのようなクエリが役立つか開発者に尋ねる

追加リソース​

  • MCP サーバーコード: AI-OBS_DEMO/mcp-server/cloudwatch_mcp_server.py
  • セットアップガイド: AI-OBS_DEMO/SETUP-MCP-KIRO.md
  • テストスクリプト: AI-OBS_DEMO/test-mcp-server.py
  • Kiro Config: AI-OBS_DEMO/kiro-mcp-config.json