LUMINO MCP Server 是一个开源 MCP（Model Context Protocol）服务器，旨在为 SRE 提供跨 Kubernetes、OpenShift 和 Tekton 环境的智能可观测性、预测分析和 AI 驱动自动化。它通过 Model Context Protocol 暴露 39 个专用工具，使 AI 助手能够实时监控集群健康、资源和流水线状态；使用统计和机器学习技术分析日志、事件和异常；对失败流水线进行自动根因分析；预测资源瓶颈和潜在问题；并在部署前模拟配置变更以评估影响。
主要能力
Kubernetes 与 OpenShift 运维：命名空间和 Pod 管理、灵活输出格式的资源查询、跨集群基于标签的资源搜索、OpenShift Operator 和 MachineConfigPool 状态、etcd 日志分析。
Tekton 流水线智能：跨命名空间的 Pipeline 和 TaskRun 监控、可选清理的详细日志检索、失败流水线根因分析、跨集群流水线追踪、CI/CD 性能基线。
高级日志分析：可配置详细程度的智能日志摘要、大日志量的流式分析、多策略混合分析、基于 NLP 的语义搜索、带严重性分类的异常检测。
预测与主动监控：基于 z-score 的统计异常检测、用于早期预警的预测性日志分析、资源瓶颈预测、带到期告警的证书健康监控、TLS 证书问题调查。
事件智能：多策略智能事件检索、渐进式事件分析（概览到深入）、带 ML 模式检测的高级分析、日志-事件关联。
模拟与 What-If 分析：配置变更的蒙特卡洛模拟、部署前影响分析、可配置容差的风险评估、受影响组件识别。
使用方式
快速开始（2 分钟内）：Claude Code CLI 用户可直接让 Claude Code 配置 Lumino MCP 服务器；其他 MCP 客户端可选择 MCPM（推荐，命令：mcpm install @spre-sre/lumino-mcp-server）或手动设置。安装后可用简单查询验证。
运行环境要求：Python 3.10 或更高版本（核心运行时）；MCP 客户端（Claude Desktop、Claude Code CLI、Gemini CLI、Cursor IDE 之一）；Kubernetes/OpenShift 访问权限（有效 kubeconfig 且具有读权限）；RBAC 权限（列出 Pod、命名空间等资源）。可选推荐：uv（比 pip 更快的依赖管理）、MCPM（最简便安装）、Prometheus（用于高级指标和预测功能）。
运行模式：默认以本地模式（stdio 传输）运行，适合与 MCP 客户端直接集成；在 Kubernetes 内运行时设置命名空间环境变量以启用 HTTP 流式传输，服务器会自动检测环境并切换传输模式。
Kubernetes 认证：自动检测集群内配置（在 Pod 内运行时）或本地 kubeconfig（本地运行时使用 ~/.kube/config）。
ML 模型持久化：predictive_log_analyzer 工具将训练好的 ML 模型和训练数据本地持久化在 ~/.lumino/，支持跨服务器重启复用模型和基于历史故障模式的增量学习。模型 ID 格式为 predictive_log_v1_YYYYMMDD_HHMMSS。训练数据 SQLite 数据库（training_data.db）包含四张表，均定义 cluster_id 列以支持多集群。
KubeArchive 集成：KubeArchive 在集群外存储 Kubernetes 资源并提供 REST API 用于历史资源状态和日志。当 Pod、PipelineRun 或 TaskRun 已从活动集群被垃圾回收时，LUMINO 使用 KubeArchive 作为回退，query_kubearchive 工具透明查询该归档。端点通过 5 步链自动发现（KUBEARCHIVE_HOST 环境变量、OpenShift Route、Kubernetes Ingress、Kubernetes Service、基于 kubeconfig 的 Route 推断）。本地开发时若发现集群内 Service 端点，会自动设置 kubectl port-forward（尝试端口 8081–8090，然后回退到系统分配端口），进程自动启动并在服务器退出时自动清理。
Prometheus/Thanos 集成：LUMINO 为 prometheus_query、resource_bottleneck_forecaster 和 ci_cd_performance_baselining_tool 工具自动发现 Prometheus 或 Thanos Query 端点。Thanos Query 实现 Prometheus HTTP API，在可用时优先使用，因为它提供跨副本的统一去重视图。自动发现顺序取决于运行环境：集群内为 Thanos 服务 → Prometheus 服务 → Prometheus Operator CRD → OpenShift Routes；本地/集群外为 OpenShift Routes → Thanos 服务 → Prometheus Operator CRD → Prometheus 服务。认证按优先级使用 5 种方法。端点缓存 TTL 为 5 分钟。
工具分类：Kubernetes 核心（5 个工具）、Tekton 流水线（6 个）、日志分析（8 个）、事件分析（3 个）、失败分析与 RCA（2 个）、资源监控（4 个）、命名空间调查（2 个）、证书与安全（2 个）、OpenShift 特定（3 个）、CI/CD 性能（2 个）、拓扑与预测（3 个）、模拟（1 个）。
适用场景
适用于 SRE 和 DevOps 团队对 Kubernetes 集群进行智能可观测性监控、Tekton 流水线调试、日志与事件分析、根因分析、预测性监控、配置变更模拟以及 CI/CD 性能优化。
限制
需要 Python 3.10+ 和 MCP 客户端；Kubernetes 功能需要有效 kubeconfig 和 RBAC 读权限；Prometheus/Thanos 和 KubeArchive 为可选集成。ML 模型会随时间累积占用磁盘，默认清理保留最多 30 天的模型（最少保留 3 个），训练数据保留 90 天，需定期运行 manage_prediction_training_data 工具清理以回收磁盘空间。其他具体限制暂未提供。
