用途：作为 MCP 服务器，让 AI 助手通过自然语言查询和分析 OpenTelemetry 分布式追踪数据，面向调试与可观测性场景，尤其针对 LLM 可观测性（令牌追踪、错误调试、性能分析）。
主要能力：提供 search_traces（按服务、操作、标签、时长、时间范围等过滤搜索追踪）、search_spans（搜索单个 Span）、get_trace（按 ID 获取完整追踪）、get_llm_usage（聚合 LLM 令牌用量）、list_services（列出已插桩服务）、find_errors（查找含错误的追踪）、list_llm_models（发现使用的 LLM 模型）、get_llm_model_stats（按模型统计性能）、get_llm_expensive_traces（令牌用量最高的追踪）、get_llm_slow_traces（最慢的 LLM 操作）。支持 Jaeger、Grafana Tempo、Traceloop 云三种后端。
使用方式：可通过 pipx 或 uvx 免安装运行，也可全局安装：pipx install opentelemetry-mcp 或 pip install opentelemetry-mcp，并用 opentelemetry-mcp --help 验证。在 Claude Desktop、Cursor/Windsurf、Gemini CLI 等 MCP 客户端中配置命令与参数，通过环境变量 BACKEND_TYPE、BACKEND_URL、BACKEND_API_KEY、BACKEND_HEADERS 指定后端，或用 CLI 参数 --backend、--url、--api-key、--headers 覆盖。时间支持相对格式（如 1h、30m、24h、7d）或 ISO 8601；时长单位为微秒。
适用场景：生产错误排查、LLM 成本与令牌用量分析、模型性能对比、慢请求与数据库操作瓶颈定位、服务发现与性能巡检。
限制：Jaeger 的 Span 搜索必须提供 service_name；Traceloop 需要 API key，Tempo 多租户需自定义请求头；LLM 相关工具依赖 OpenLLMetry 语义约定（如 gen_ai.request.model、gen_ai.usage.input_tokens、gen_ai.usage.output_tokens），否则可能返回空结果；需 Python 3.11+。具体收费与价格暂未提供。