Conectar Langfuse MCP con Meta Muse

💡 ¿Sin instalación? Usa cloud.anythingmcp.com directamente. Inicia sesión, pulsa Connectors → Langfuse, pega tus credenciales, genera una MCP API key y listo. Sin Docker, sin git clone, sin servidor local.

Langfuse + Meta Muse

Lee un proyecto de Langfuse con tu IA: trazas LLM, observaciones y sesiones con coste, tokens y latencia, métricas a lo largo del tiempo, scores y evaluaciones, prompts con sus versiones y etiquetas, datasets, elementos de dataset y experimentos. También puede publicar versiones de prompts, mover etiquetas, añadir scores y crear datasets.

Requisitos previos

Las instrucciones de configuración completas están incluidas en el conector (visibles en el store al seleccionarlo). Las variables de entorno requeridas:

LANGFUSE_HOST, LANGFUSE_PUBLIC_KEY, LANGFUSE_SECRET_KEY

Paso 1 — Obtener credenciales

La configuración lleva unos 3 minutos. Necesitas un proyecto de Langfuse en Langfuse Cloud (EU, US, Japón o HIPAA) o en un Langfuse v4 autoalojado.

1. En Langfuse abre el proyecto, luego Settings, API Keys, Create new API keys. Usa una clave de proyecto, no una de organización.
2. Copia la clave pública (pk-lf-...) en LANGFUSE_PUBLIC_KEY y la clave secreta (sk-lf-..., se muestra una sola vez) en LANGFUSE_SECRET_KEY. El conector las envía como HTTP Basic auth.
3. Pon en LANGFUSE_HOST la región del proyecto, sin barra final: https://cloud.langfuse.com (EU), https://us.cloud.langfuse.com (US), https://jp.cloud.langfuse.com (Japón), https://hipaa.cloud.langfuse.com (HIPAA) o tu dirección autoalojada. Las claves de una región no funcionan en otra.
4. Instala el conector y ejecuta langfuse_get_project para comprobar las claves; langfuse_get_health muestra la versión del servidor.

Costes: ninguna herramienta ejecuta un modelo. El conector solo lee y escribe datos de Langfuse; los costes que muestra son los que Langfuse registró para las llamadas LLM de tus aplicaciones.

Datos de trazas: en Langfuse v4 una traza es el conjunto de observaciones (spans, generations, llamadas a herramientas, eventos) que comparten un traceId, y una sesión es el conjunto de trazas que comparten un sessionId. El conector las lee de Observations API v2 y Metrics API v2, la vía de lectura en tiempo real; los antiguos endpoints /traces, /sessions y /metrics/daily están obsoletos (Langfuse Cloud los sirve hasta el 16 de noviembre de 2026). Otros endpoints pueden ir unos 10 minutos por detrás de la ingesta.

• langfuse_list_observations lista filas de la más reciente a la más antigua, siempre acotadas por from_start_time y to_start_time. Filtros: type (GENERATION para llamadas LLM), name, user_id, session_id, trace_id, level (ERROR para fallos), environment, is_root_observation (true da una fila por traza) o un filter estructurado. fields elige los grupos de campos core, basic, time, io (entrada y salida), metadata, model, usage (tokens y coste), prompt, metrics (latencia) y trace_context; por defecto core,basic,usage.
• langfuse_get_trace devuelve todas las observaciones de una traza con entrada, salida, modelo, uso y latencia; la raíz no tiene parentObservationId y lleva la entrada y salida de la traza.
• langfuse_get_session devuelve por defecto una fila por traza de una sesión; root_only: false devuelve todas las observaciones.
• langfuse_query_metrics agrega. query es una cadena JSON con view (observations, scores-numeric, scores-boolean, scores-categorical), metrics (medidas como count, latency, totalTokens, totalCost o timeToFirstToken, con las agregaciones sum, avg, count, max, min, p50, p75, p90, p95, p99), dimensions (como providedModelName, traceName, promptName, promptVersion, environment, release), timeDimension (por minuto, hora, día, semana o mes), filters, fromTimestamp y toTimestamp. Los campos con muchos valores como userId y sessionId se pueden filtrar pero no agrupar.

Scores: langfuse_list_scores filtra por name, source (API, ANNOTATION, EVAL), data_type, traza, sesión, observación, experimento, rango de valores y de tiempo; langfuse_list_score_configs muestra las definiciones de score. langfuse_create_score añade un score (numérico, booleano como 0 o 1, categórico o texto) a una traza, observación, sesión o ejecución de experimento. Se procesa de forma asíncrona (HTTP 202), y enviar de nuevo el mismo score_id lo sobrescribe.

Prompts: langfuse_list_prompts lista nombres con versiones, etiquetas y tags; langfuse_get_prompt devuelve la versión con la etiqueta production salvo que se indique version o label. langfuse_create_prompt_version publica una nueva versión de un prompt de texto (con {{variables}}) o de chat, y un nombre nuevo crea el prompt; langfuse_update_prompt_labels mueve etiquetas como production o staging a una versión. Mover production cambia lo que reciben tus aplicaciones, así que la IA te pregunta antes. Los nombres con carpetas como support/greeting se pasan tal cual.

Datasets y experimentos: langfuse_list_datasets, langfuse_get_dataset y langfuse_create_dataset (opcionalmente con esquemas JSON para entrada y salida esperada); langfuse_list_dataset_items, langfuse_get_dataset_item y langfuse_upsert_dataset_item (crea un elemento, o lo actualiza si item_id existe; status ARCHIVED lo oculta en nuevas ejecuciones). langfuse_list_experiments lista ejecuciones de datasets y experimentos con sus scores; from_start_time es obligatorio.

El servidor MCP propio de Langfuse: Langfuse también ofrece un servidor MCP nativo en <LANGFUSE_HOST>/api/public/mcp con el mismo par de claves, pensado sobre todo para gestionar prompts. Este conector cubre también los prompts, además de trazas, métricas, scores y datasets.

Desactivadas al instalar: ninguna. Las 20 herramientas están activas; las de escritura añaden versiones de prompts, etiquetas, scores, datasets y elementos, y ninguna borra nada.

Formatos de datos: las horas son ISO 8601, en UTC. Los costes están en USD; en las observaciones v2 inputPrice, outputPrice y totalPrice son cadenas por precisión decimal, y input y output llegan como texto JSON. La latencia y el tiempo hasta el primer token en las métricas son milisegundos.

Paginación: observaciones, trazas, sesiones, scores y experimentos usan cursores: la IA devuelve meta.cursor como cursor hasta que deja de aparecer (observaciones: 50 filas por defecto, hasta 1.000). Prompts, datasets, elementos y configuraciones de score usan page (desde 1) y limit (por defecto 50, como máximo 100); meta.totalPages indica cuántas páginas hay.

Límites: un Langfuse autoalojado debe ser v4 o posterior para las herramientas de observaciones y métricas. Los datos fuera de Observations y Metrics API v2 pueden llegar con unos 10 minutos de retraso.

Errores comunes: 400 indica un parámetro incorrecto (un JSON de filter o query mal formado, una agrupación por un campo con muchos valores, un limit por encima del máximo); 401 un par de claves erróneo o la región equivocada; 403 que la clave no puede usar este endpoint (usa una clave de proyecto); 404 un prompt, dataset o elemento desconocido, o una versión autoalojada sin los endpoints v2; 429 límite de frecuencia (la IA espera en lugar de reintentar en bucle).

El conector no borra trazas, prompts, datasets ni scores y no envía trazas (eso lo hacen los SDK de Langfuse por OpenTelemetry). Las annotation queues, las LLM connections y la administración de la organización o SCIM no están incluidas.

Paso 2 — Instalar el adapter

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Paso 3 — Añadir el conector en Muse

La URL de tu servidor: en AnythingMCP abre MCP Servers → el servidor donde está este conector y copia su URL (https://cloud.anythingmcp.com/mcp/…). Úsala donde esta guía muestra YOUR_SERVER_ID.

Muse añade los servidores MCP remotos como conectores personalizados e inicia sesión en ellos con OAuth.

1. En Muse, abre Settings → Connectors y elige Add custom connector.
2. Pega la URL del servidor MCP https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID.
3. Muse abre la página de inicio de sesión de AnythingMCP: inicia sesión y aprueba el acceso.
4. En un chat, pídele a Muse algo que necesite las herramientas de Langfuse.

También puedes configurarlo desde un chat, en la web, en las apps de iOS y Android o en WhatsApp. Envía a Muse este mensaje:

Create a Custom Connector for a new remote MCP server, then connect to it:
Name: AnythingMCP
Transport: remote streamable HTTP
URL: https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID
Auth: OAuth

¿Lo alojas tú mismo? Usa la dirección HTTPS pública de tu instancia en lugar de https://cloud.anythingmcp.com. Muse se conecta desde la nube de Meta, así que localhost no funciona.

Herramientas disponibles

Ejemplos de prompts

• "¿Cuánto costaron nuestras llamadas LLM por modelo y por día en los últimos 7 días?"
• "Muéstrame las generations de ayer con nivel ERROR, con modelo, entrada y salida."
• "Muéstrame la conversación completa de la sesión chat-8f21 con la entrada y salida de cada turno."
• "¿Cuál es la latencia p95 por nombre de traza esta semana, y cuál se ha vuelto más lenta?"
• "Publica una nueva versión del prompt support/greeting con un tono más cercano, pero no muevas todavía la etiqueta production."

FAQ

¿Dónde está disponible Muse? Por ahora Meta ofrece Muse en Estados Unidos y Canadá, en la web, en las apps de iOS y Android y en WhatsApp.

¿Meta revisa este conector? No. Meta no revisa los conectores personalizados. Muse solo ve las herramientas que activaste para este servidor MCP en AnythingMCP, y puedes desconectarlo cuando quieras en Settings → Connectors.

Siguientes pasos

• Página del conector
• Conectar a Claude
• Conectar a ChatGPT
• Conectar a Cursor
• Conectar a Gemini
• Conectar a Microsoft Copilot