Collegare Langfuse MCP a Microsoft Copilot

💡 Niente installazione? Vai direttamente su cloud.anythingmcp.com. Accedi, clicca Connectors → Langfuse, inserisci le credenziali, genera una MCP API key e hai finito. Niente Docker, niente git clone, niente server locale.

Langfuse + Microsoft Copilot

Leggi un progetto Langfuse con la tua AI: trace LLM, observation e sessioni con costi, token e latenza, metriche nel tempo, score e valutazioni, prompt con versioni ed etichette, dataset, item dei dataset ed esperimenti. Può anche pubblicare versioni di prompt, spostare etichette, aggiungere score e costruire dataset.

Prerequisiti

Le istruzioni di setup complete sono incluse nel connettore stesso (visibili nello store quando lo selezioni). Le variabili d'ambiente richieste sono:

LANGFUSE_HOST, LANGFUSE_PUBLIC_KEY, LANGFUSE_SECRET_KEY

Step 1 — Ottieni le credenziali

La configurazione richiede circa 3 minuti. Ti serve un progetto Langfuse su Langfuse Cloud (EU, US, Giappone o HIPAA) o su un Langfuse v4 self-hosted.

1. In Langfuse apri il progetto, poi Settings, API Keys, Create new API keys. Usa una chiave di progetto, non una chiave di organizzazione.
2. Copia la chiave pubblica (pk-lf-...) in LANGFUSE_PUBLIC_KEY e la chiave segreta (sk-lf-..., mostrata una sola volta) in LANGFUSE_SECRET_KEY. Il connettore le invia come HTTP Basic auth.
3. Imposta LANGFUSE_HOST sulla regione del progetto, senza barra finale: https://cloud.langfuse.com (EU), https://us.cloud.langfuse.com (US), https://jp.cloud.langfuse.com (Giappone), https://hipaa.cloud.langfuse.com (HIPAA) oppure il tuo indirizzo self-hosted. Le chiavi di una regione non funzionano in un'altra.
4. Installa il connettore ed esegui langfuse_get_project per verificare le chiavi; langfuse_get_health mostra la versione del server.

Costi: nessuno strumento esegue un modello. Il connettore legge e scrive solo dati di Langfuse; i costi che mostra sono quelli che Langfuse ha registrato per le chiamate LLM delle tue applicazioni.

Dati di tracing: in Langfuse v4 un trace è l'insieme delle observation (span, generation, chiamate a tool, eventi) che condividono un traceId, e una sessione è l'insieme dei trace che condividono un sessionId. Il connettore li legge dalla Observations API v2 e dalla Metrics API v2, il percorso di lettura in tempo reale; i vecchi endpoint /traces, /sessions e /metrics/daily sono deprecati (Langfuse Cloud li serve fino al 16 novembre 2026). Gli altri endpoint possono essere indietro di circa 10 minuti rispetto all'acquisizione.

• langfuse_list_observations elenca le righe dalla più recente, sempre limitate da from_start_time e to_start_time. Filtri: type (GENERATION per le chiamate LLM), name, user_id, session_id, trace_id, level (ERROR per gli errori), environment, is_root_observation (true dà una riga per trace) o un filter strutturato. fields sceglie i gruppi di campi core, basic, time, io (input e output), metadata, model, usage (token e costi), prompt, metrics (latenza) e trace_context; il predefinito è core,basic,usage.
• langfuse_get_trace restituisce tutte le observation di un trace con input, output, modello, utilizzo e latenza; la radice non ha parentObservationId e porta input e output del trace.
• langfuse_get_session restituisce per impostazione predefinita una riga per trace di una sessione; root_only: false restituisce tutte le observation.
• langfuse_query_metrics aggrega. query è una stringa JSON con view (observations, scores-numeric, scores-boolean, scores-categorical), metrics (misure come count, latency, totalTokens, totalCost o timeToFirstToken, con le aggregazioni sum, avg, count, max, min, p50, p75, p90, p95, p99), dimensions (ad esempio providedModelName, traceName, promptName, promptVersion, environment, release), timeDimension (per minuto, ora, giorno, settimana o mese), filters, fromTimestamp e toTimestamp. I campi con molti valori come userId e sessionId si possono filtrare ma non raggruppare.

Score: langfuse_list_scores filtra per name, source (API, ANNOTATION, EVAL), data_type, trace, sessione, observation, esperimento, intervallo di valori e di tempo; langfuse_list_score_configs mostra le definizioni degli score. langfuse_create_score aggiunge uno score (numerico, booleano come 0 o 1, categorico o testo) a un trace, observation, sessione o run di esperimento. Viene elaborato in modo asincrono (HTTP 202), e inviare di nuovo lo stesso score_id lo sovrascrive.

Prompt: langfuse_list_prompts elenca i nomi con versioni, etichette e tag; langfuse_get_prompt restituisce la versione con etichetta production, a meno che non si indichi version o label. langfuse_create_prompt_version pubblica una nuova versione di un prompt di testo (con {{variables}}) o di chat, e un nome nuovo crea il prompt; langfuse_update_prompt_labels sposta etichette come production o staging su una versione. Spostare production cambia ciò che le tue applicazioni ricevono, quindi l'AI te lo chiede prima. I nomi con cartelle come support/greeting si passano così come sono.

Dataset ed esperimenti: langfuse_list_datasets, langfuse_get_dataset e langfuse_create_dataset (facoltativamente con schemi JSON per input e output atteso); langfuse_list_dataset_items, langfuse_get_dataset_item e langfuse_upsert_dataset_item (crea un item, o lo aggiorna se item_id esiste; status ARCHIVED lo esclude dai nuovi run). langfuse_list_experiments elenca i run dei dataset e gli esperimenti con i loro score; from_start_time è obbligatorio.

Il server MCP di Langfuse: Langfuse offre anche un server MCP nativo su <LANGFUSE_HOST>/api/public/mcp con la stessa coppia di chiavi, pensato soprattutto per la gestione dei prompt. Questo connettore copre anche i prompt, oltre a dati di tracing, metriche, score e dataset.

Disattivati all'installazione: nessuno. Tutti i 20 strumenti sono attivi; quelli di scrittura aggiungono versioni di prompt, etichette, score, dataset e item, e nessuno cancella dati.

Formati dei dati: gli orari sono ISO 8601, in UTC. I costi sono in USD; nelle observation v2 inputPrice, outputPrice e totalPrice sono stringhe per la precisione decimale, e input e output arrivano come testo JSON. Latenza e tempo al primo token nelle metriche sono in millisecondi.

Paginazione: observation, trace, sessioni, score ed esperimenti usano cursori: l'AI ripassa meta.cursor come cursor finché non manca (observation: 50 righe di default, fino a 1.000). Prompt, dataset, item e score config usano page (da 1) e limit (predefinito 50, al massimo 100); meta.totalPages indica quante pagine esistono.

Limiti: il Langfuse self-hosted deve essere v4 o successivo per gli strumenti di observation e metriche. I dati al di fuori di Observations e Metrics API v2 possono essere in ritardo di circa 10 minuti.

Errori comuni: 400 indica un parametro errato (un JSON di filter o query malformato, un raggruppamento su un campo con molti valori, un limit oltre il massimo); 401 una coppia di chiavi errata o la regione sbagliata; 403 che la chiave non può usare questo endpoint (usa una chiave di progetto); 404 un prompt, dataset o item sconosciuto, o una versione self-hosted senza gli endpoint v2; 429 un limite di frequenza (l'AI attende invece di riprovare in loop).

Il connettore non cancella trace, prompt, dataset o score e non invia trace (lo fanno gli SDK di Langfuse via OpenTelemetry). Annotation queue, LLM connection e amministrazione di organizzazione o SCIM non sono inclusi.

Step 2 — Installa l'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

Step 3 — Aggiungi il connettore in Microsoft Copilot

L'URL del tuo server: in AnythingMCP apri MCP Servers → il server su cui si trova questo connettore e copia il suo URL (https://cloud.anythingmcp.com/mcp/…). Usalo ovunque questa guida mostra YOUR_SERVER_ID.

Microsoft Copilot usa i server MCP tramite gli agenti creati in Copilot Studio: aggiungi AnythingMCP a un agente come strumento, poi pubblichi l'agente in Microsoft 365 Copilot e in Teams. Copilot Studio si collega dal cloud di Microsoft via Streamable HTTP, che AnythingMCP supporta.

1. In Copilot Studio apri il tuo agente (o creane uno), vai su Tools e scegli Add a tool → New tool → Model Context Protocol.
2. Inserisci un Server name (per esempio AnythingMCP), una Server description che dica cosa fa il connettore e il Server URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID. Copilot Studio usa la descrizione per decidere quando chiamare il server.
3. Come autenticazione scegli API key, imposta Type su Header e come nome dell'header X-API-Key, poi seleziona Create.
4. In Add tool scegli Create a new connection, incolla una chiave API MCP di AnythingMCP (MCP Servers → il tuo server → API keys) e seleziona Add to agent.
5. Provalo nel riquadro Test dell'agente: chiedi qualcosa che richiede i tool di Langfuse.
6. Seleziona Publish, poi Channels → Microsoft 365 and Microsoft Teams, lascia selezionato Make agent available in Microsoft Copilot e scegli Add channel. See agent in Teams lo installa per te; in Microsoft 365 Copilot scrivi @ e scegli l'agente.

Preferisci un accesso per ogni utente? Al posto della chiave API scegli OAuth 2.0 → Dynamic discovery: ogni persona accede ad AnythingMCP la prima volta che l'agente lo chiama.

Usi il self-hosting? Usa l'indirizzo HTTPS pubblico della tua istanza al posto di https://cloud.anythingmcp.com. Copilot Studio si collega dal cloud di Microsoft, quindi localhost non funziona.

Tool disponibili

Esempi di prompt

• "Quanto sono costate le nostre chiamate LLM per modello e per giorno negli ultimi 7 giorni?"
• "Mostrami le generation di ieri con livello ERROR, con modello, input e output."
• "Mostrami tutta la conversazione della sessione chat-8f21 con input e output di ogni turno."
• "Qual è la latenza p95 per nome di trace questa settimana, e quale è peggiorata?"
• "Pubblica una nuova versione del prompt support/greeting con un tono più cordiale, ma non spostare ancora l'etichetta production."

FAQ

Per quale Copilot vale? Per Microsoft 365 Copilot in azienda, tramite gli agenti di Copilot Studio. L'app Microsoft Copilot per account personali non permette di aggiungere un proprio server MCP.

Cosa mi serve? Un account di lavoro con accesso a Copilot Studio (licenza o prova) per creare l'agente. Chi lo usa in Microsoft 365 Copilot o in Teams deve avere accesso all'agente: condividilo, oppure chiedi a un amministratore di pubblicarlo per l'organizzazione. Se la tua organizzazione applica criteri sui dati ai connettori di Power Platform, valgono anche per i server MCP.

L'agente non chiama i tool. Controlla che il nome dell'header sia esattamente X-API-Key e che la chiave appartenga allo stesso server MCP dell'URL, e scrivi una Server description precisa: Copilot Studio la usa per decidere quando chiamare il server. Dopo ogni modifica pubblica di nuovo l'agente; in una chat già aperta scrivi "start over" per passare alla nuova versione.

Prossimi passi

• Landing del connettore
• Collegare a Claude
• Collegare a ChatGPT
• Collegare a Cursor
• Collegare a Gemini
• Collegare a Meta Muse