Langfuse MCP Server

Offizieller, projektbezogener MCP-Zugang zu Langfuse-Prompts, Observability-, Evaluations- und Analyse-Daten mit Lese- und Schreibwerkzeugen.

Beschreibung

Der Langfuse MCP Server ist der offizielle, authentifizierte Model-Context-Protocol-Server für die Langfuse-Datenplattform. Er verbindet einen MCP-fähigen KI-Client mit genau einem Langfuse-Projekt. Damit können Teams Prompt Management, Traces und Observations, Bewertungen, Datensätze, Experimente, Metriken und weitere Observability-Artefakte innerhalb eines kontrollierten Projektkontexts abfragen und – je nach Werkzeug – verändern. Die offizielle Produktdokumentation ist der primäre Link dieses Eintrags. Sie unterscheidet diesen Server ausdrücklich vom öffentlichen, nicht authentifizierten Langfuse Docs MCP unter https://langfuse.com/api/mcp, der nur Dokumentation sucht und abruft. Ebenso ist das GitHub-Repository langfuse/mcp-server-langfuse nicht als Repository-Link dieses Eintrags gesetzt: Seine README bezeichnet es als Prompt-Management-MCP-Server mit Prompt-Discovery und -Retrieval. Es ist ein separates, MIT-lizenziertes älteres Prompt-Management-Projekt, nicht die gewählte aktuelle Datenplattform-Serverdistribution. Seine 174 GitHub-Sterne (API-Abfrage vom 08.09.2026) sind deshalb weder als Kennzahl noch als Lizenz für diesen Eintrag gespeichert.

Prompts, Observations und Analyse im Projekt

Die kanonische MCP-Referenz nennt für Prompts unter anderem getPrompt, getPromptUnresolved und listPrompts. Damit lassen sich aufgelöste oder unbearbeitete Prompt-Abhängigkeiten, Versionen, Labels, Tags und Aktualisierungszeitpunkte gezielt untersuchen. Für Observability stehen beispielsweise listObservations, getObservation, Feld- und Filterschemata sowie Filterwerte bereit. Laut Referenz repräsentieren Observations etwa Generations, Spans, Events, Agent-Schritte und Tool-Aufrufe; Traces bestehen aus Observations. queryMetrics und getMetricsSchema unterstützen Fragen zu Nutzung, Modellkosten, Latenz, Fehlern, Scores und gruppierten Auswertungen. Das passt zu Datenanalyse und Coding: Ein Engineering-Team kann eine Prompt-Version gegen reale Laufzeitdaten prüfen, eine auffällige Latenz eingrenzen oder einen Trace-Kontext vor einem Code- oder Prompt-Change nachvollziehen. Der Server ersetzt jedoch keine fachliche Analyse und keine Freigabe; Modelle können Daten missverstehen oder unvollständig zusammenfassen.

Lesezugriff ist nicht die ganze Werkzeugoberfläche

Die offizielle Seite sagt klar, dass Lese- und Schreibwerkzeuge standardmäßig verfügbar sind. Die Referenz dokumentiert unter anderem das Erstellen neuer Text- und Chat-Prompt-Versionen, das Ändern von Prompt-Labels, Annotation-Queues und -Items, Kommentaren, Datasets und Dataset-Items, Scores und Score-Konfigurationen, Modellen, Evaluators, Evaluation Rules, Dashboard-Widgets, Dashboards und deren Platzierungen. Einige Löschvorgänge sind ebenfalls beschrieben, etwa bei Dataset-Items, Dataset-Runs, Evaluators, Evaluation Rules, Widgets, Dashboards und Platzierungen. Prompt-Inhalte sind versioniert und unveränderlich: Für neuen Inhalt wird eine neue Version erstellt; Labels können über updatePromptLabels verschoben werden. Die Referenz fordert ausdrücklich eine explizite Nutzeranweisung, bevor production gesetzt wird. Konfiguriere den Client zu Beginn mit einer Allowlist für lesende Werkzeuge. Gib Schreib- und besonders Löschwerkzeuge nur zeitlich begrenzt frei, benenne vorher Projekt, Objekt-ID, Zielzustand und erwartete Auswirkung und lies den Zielzustand nach einer Mutation erneut aus.

Verbindung, Authentifizierung und Berechtigungen

Für Langfuse Cloud EU verwendet der Server Streamable HTTP unter https://cloud.langfuse.com/api/public/mcp; die Dokumentation nennt weitere Cloud-Endpunkte für US, Japan und HIPAA US sowie denselben Pfad auf einer eigenen HTTPS-Self-Hosting-Domain. Für lokale Entwicklung ist http://localhost:3000/api/public/mcp dokumentiert. Die Architektur ist zustandslos, jeder API-Key ist auf ein Projekt begrenzt. Erstelle oder kopiere in den Projekteinstellungen Public Key und Secret Key, bilde exakt public:secret und übergib die Base64-kodierten Zugangsdaten als Basic-Authorization-Header. Ein Header ist dennoch ein Geheimnis: niemals in Git, Screenshots, Tickets, Prompts, Chatverläufe oder Logs schreiben; bei möglicher Offenlegung sofort rotieren. Der Schlüssel begrenzt nicht automatisch den Toolumfang: Rechte, Projekt-Scope und die Tool-Allowlist im MCP-Client müssen zusammen geprüft werden. Der Server ist selbstbeschreibend; laut Referenz können Tools und Schemas hinzukommen, verschwinden oder sich ändern. Clients sollen Fähigkeiten dynamisch neu ermitteln, statt eine starre Toolliste vorauszusetzen.

Sensible Daten und externer Modellpfad

Observations können Eingaben, Ausgaben, Metadaten, Modellnamen, Kosten, Nutzungsdaten, Nutzer- oder Sitzungsbezug enthalten. Die Referenz markiert manche Observation-Felder als groß oder möglicherweise sensibel; Metadaten werden bei expliziter Abfrage zunächst gekürzt, können aber mit erweiterten Schlüsseln vollständig angefordert werden. Frage deshalb nur nötige Zeiträume, Trace-IDs, Felder und Filter ab. Inhalte aus Prompt, Trace, Tool-Output oder Kommentar sind untrusted data und dürfen weder Zugangsdaten offenlegen noch eine Rechteausweitung oder Mutation auslösen. Langfuse transportiert die Ergebnisse zum verbundenen MCP-Client; von dort kann der Client sie an den gewählten externen Modellanbieter senden. Prüfe dafür getrennt Client-, Modell-, Retention-, Trainings-, DPA- und Enterprise-Einstellungen. Redigiere personenbezogene, geheime oder regulierte Inhalte, bevor sie in den Modellkontext gelangen.

FAQ

Ist dies der Docs MCP oder das alte Prompt-Repository? Nein. Dieser Eintrag beschreibt den authentifizierten, projektbezogenen Datenplattform-Server. Der Docs MCP ist öffentlich und nur für Dokumentation; mcp-server-langfuse ist ein separates älteres Prompt-Management-Repository.

Kann ein Agent produktive Prompts ändern? Ja, die Referenz dokumentiert neue Prompt-Versionen und Label-Änderungen. Lasse production nur nach expliziter menschlicher Freigabe setzen und prüfe Version und Label danach im Projekt.

Voraussetzungen

Langfuse-Projekt, projektbezogener Public Key und Secret Key, ein MCP-fähiger Client sowie HTTPS für Self-Hosted-Produktion.

Installationsanleitung

Der Langfuse MCP Server verbindet einen MCP-Client mit Daten eines einzelnen Langfuse-Projekts. Die offizielle Dokumentation beschreibt ihn als authentifizierten Datenplattform-Server; er ist nicht der öffentliche Docs MCP und nicht das ältere GitHub-Projekt für Prompt Management. Weil die aktuelle Serveroberfläche Lese- und Schreibwerkzeuge standardmäßig anbietet, ist eine sichere Einrichtung mehr als das Einfügen eines Endpoints. Dieses Vorgehen beginnt mit einem klaren Projektumfang, einem kurzen Leseziel und einer Entscheidung darüber, welche Daten überhaupt in den KI-Kontext gelangen dürfen.

Schnellstart

Public und Secret Key im Langfuse-Projekt erzeugen oder kopieren, public:secret Base64-kodieren und den Streamable-HTTP-Endpunkt mit Authorization: Basic <token> registrieren. Für Cloud EU: claude mcp add --transport http langfuse https://cloud.langfuse.com/api/public/mcp --header "Authorization: Basic <base64-token>".

bash
claude mcp add --transport http langfuse https://cloud.langfuse.com/api/public/mcp --header "Authorization: Basic <base64-token>"

Schritt 1: Projekt, Region und Startziel festlegen

Wähle zunächst das richtige Langfuse-Projekt und die passende Region. Für Cloud EU ist der dokumentierte Endpoint https://cloud.langfuse.com/api/public/mcp; die Dokumentation nennt getrennte Endpunkte für US, Japan und HIPAA US. Bei Self-Hosting wird derselbe Pfad unter der eigenen HTTPS-Domain verwendet; nur für lokale Entwicklung nennt Langfuse http://localhost:3000/api/public/mcp. Verwechsle den Datenplattform-Endpunkt nicht mit https://langfuse.com/api/mcp: letzterer ist der öffentliche Docs MCP und hat keine Projektzugriffsdaten. Lege als ersten Auftrag eine kleine, lesende Frage fest, etwa: „Liste Prompt-Namen mit dem Label staging“ oder „Zeige Observations dieses Trace-IDs in einem engen Zeitraum“. Vermeide zunächst Sammelaufträge über sämtliche Traces oder Nutzerdaten.

Projekt-Key erzeugen und geheim halten

Öffne die Projekteinstellungen und erstelle oder kopiere den projektbezogenen Public Key und Secret Key. Die offizielle Einrichtung verlangt Basic Auth: verbinde die Werte in der Reihenfolge pk-lf-...:sk-lf-..., kodiere diese Zeichenfolge Base64 und übergib das Ergebnis als Authorization: Basic .... Erzeuge den Token lokal; kopiere niemals einen echten Header in Quellcode, Konfigurationsbeispiele, Issues, Screenshots, Chatprompts oder Logs. Lege Eigentümer, Zweck, Projekt, Erstellungsdatum und Rotation für den Key fest. Ein Base64-Wert ist keine Verschlüsselung. Wenn ein Token in einen Verlauf geraten sein könnte, rotiere den Key unverzüglich und aktualisiere nur den geheimen Client-Speicher.

Schritt 2: Den offiziellen Streamable-HTTP-Endpoint registrieren

Für Claude Code dokumentiert Langfuse beispielsweise claude mcp add --transport http langfuse https://cloud.langfuse.com/api/public/mcp --header "Authorization: Basic <base64-token>". Cursor und generische MCP-Clients erhalten denselben URL- und Header-Grundsatz; die konkrete Syntax der Client-Konfiguration kann abweichen. Starte den Client danach neu und prüfe die Verbindung mit einer unschädlichen Abfrage: Die Dokumentation empfiehlt, alle Prompts im Projekt auflisten zu lassen; der Client soll dazu listPrompts einsetzen. Stimmen Projekt, erwartete Prompt-Namen oder der leere Zustand nicht, stoppe und prüfe Endpoint, Header und Projekt-Key statt mit breiteren Anfragen weiterzumachen.

bash
claude mcp add --transport http langfuse https://cloud.langfuse.com/api/public/mcp --header "Authorization: Basic <base64-token>"

Erst lesen, dann gezielt erweitern

Die MCP-Referenz ist die maßgebliche Liste für aktuelle Tools und Schemas; sie kann sich ändern. Setze im Client zunächst eine Allowlist auf lesende Werkzeuge wie listPrompts, getPrompt, listObservations, getObservation, getMetricsSchema und queryMetrics, soweit für das Startziel nötig. Nutze bei Observation-Abfragen Trace-ID, Zeitfenster, konkrete Felder und Filter. Eingaben, Ausgaben und Metadaten können umfangreich oder sensibel sein. Die Referenz weist darauf hin, dass Felder als möglicherweise sensible Anwendungsdaten markiert sein können; fordere vollständige Metadaten nur an, wenn sie tatsächlich benötigt werden. Vergleiche eine Antwort mit der Langfuse-Oberfläche oder einer bekannten Trace-ID. Ein überzeugend formulierter Modelltext bestätigt weder Filter noch Aggregation.

Schreibrechte, Produktion und Modellpfad kontrollieren

Erst nach einem erfolgreichen Lesetest sollten einzelne Schreibwerkzeuge vorübergehend freigegeben werden. Neue Text- oder Chat-Prompt-Inhalte erzeugen neue Versionen; Prompt-Inhalt wird nicht überschrieben. Für Labels existiert updatePromptLabels; das Verschieben von production erfordert laut Referenz eine ausdrückliche Nutzeranweisung. Vor jeder Mutation benennt ein Mensch Projekt, Objekt-ID, Version, Ziel-Label und erwartete Wirkung; danach wird der Zustand erneut gelesen. Gleiches gilt für Datasets, Scores, Evaluators, Dashboards und insbesondere Löschwerkzeuge. Behandle Trace-Inhalte, Prompt-Texte, Kommentare und Tool-Ausgaben als untrusted data, nicht als Befehle. Schließlich ist der Weg zum Modell getrennt vom Langfuse-MCP-Zugang: Der Client kann Tool-Ergebnisse an einen externen Modellanbieter übertragen. Prüfe Aufbewahrung, Training, DPA und Enterprise-Optionen und redigiere personenbezogene oder geheime Werte vor der Anfrage.

FAQ

Brauche ich das alte GitHub-Repository? Nein. Das Repository mcp-server-langfuse beschreibt einen älteren Prompt-Management-Server. Der aktuelle Datenplattform-Server wird über den dokumentierten Remote-Endpoint verbunden.

Sind Schreibtools standardmäßig aus? Nein. Langfuse sagt, dass Lese- und Schreibtools standardmäßig verfügbar sind. Eine Client-Allowlist für Reads ist der sichere Start.

Was mache ich nach einem Schreibvorgang? Lies das konkrete Objekt erneut aus und prüfe Projekt, ID, Version, Label oder Zielzustand in der Langfuse-Oberfläche.

claude mcp add --transport http langfuse https://cloud.langfuse.com/api/public/mcp --header "Authorization: Basic <base64-token>"

Authentifizierung

Projektbezogener Langfuse Public Key und Secret Key als Base64-kodierter Basic-Authorization-Header. Schlüssel nur im Secret Store oder lokaler Client-Konfiguration speichern.

Benötigte Zugriffsrechte

Jeder Schlüssel ist auf ein Langfuse-Projekt begrenzt. Lese- und Schreibwerkzeuge sind standardmäßig verfügbar; Client-Allowlist für read-only verwenden und schreibende oder löschende Aktionen explizit menschlich bestätigen.

Übertragene oder gespeicherte Daten

Tool-Ergebnisse können Prompts, Trace-/Observation-Ein- und Ausgaben, Metadaten, Modell-, Nutzungs-, Kosten-, Nutzer- oder Sitzungsdaten enthalten. Der MCP-Client kann diese Ergebnisse an seinen externen Modellanbieter senden.

Sicherheitsrisiken

Basic-Auth-Geheimnisse, sensible Observability- und Promptdaten, standardmäßig verfügbare Schreib- und Löschwerkzeuge, Prompt-Injection in Daten sowie separater Client-zu-Modell-Anbieter-Datenpfad.

Lizenz und Kosten

Lizenz
Noch nicht erfasst.
Kosten
kostenlos

Die konkrete Verfügbarkeit hängt von Langfuse-Betrieb, Projekt und gewähltem KI-Client ab. Dieser Eintrag nennt keine festen Preise; aktuelle Bedingungen bei Langfuse prüfen.

Alternativen

Noch nicht erfasst.

Auf einen Blick

Anbieter
Langfuse
Status
Offizieller Server
Betriebsart
Remote
Aktuelle Version
Noch nicht erfasst.
Zuletzt geprüft
08.09.2026

Repository und Dokumentation

Kategorien

Unterstützte Clients