JProfiler帮助文档

MCP 服务器

模型上下文协议（MCP）是一种开放标准，使 AI 代理能够与外部工具和数据源进行交互。JProfiler 提供了一个 MCP 服务器， 允许 AI 代理对 Java 应用程序进行性能分析、分析性能数据并检查堆转储。 通过此集成，您可以让 AI 代理查找性能热点、分析内存使用情况或 调查垃圾回收问题，代理将使用 JProfiler 的性能分析功能来 提供答案。

支持的 AI 代理

JProfiler 的 MCP 集成支持以下 AI 代理：

  • Claude Code
    Anthropic 基于 CLI 的编码代理。支持全局和项目范围的集成。
  • Claude Desktop
    Anthropic 的桌面应用程序。支持全局集成。
  • Codex
    OpenAI 基于 CLI 的编码代理。支持全局集成。
  • Gemini CLI
    Google 基于 CLI 的编码代理。支持全局集成。
  • Junie
    JetBrains 在 IntelliJ IDEA 中的 AI 编码代理。需要在 IDE 中手动配置， 路径为 Tools→Junie→MCP Settings。
  • Junie CLI
    JetBrains 基于 CLI 的 AI 代理。支持全局和项目范围的集成。
  • OpenCode
    一个开源的基于 CLI 的编码代理。支持全局和项目范围的集成。

随着更多 AI 代理采用 MCP 标准，支持的代理列表将会持续扩展。

设置集成

要将 JProfiler 与 AI 代理集成，请从主菜单调用 Session→AI Agent Integrations。这将打开包含 AI 代理集成面板的常规 设置对话框。

在 AI 代理集成面板中，从下拉列表中选择所需的 AI 代理。对于支持项目范围集成的代理， 您可以在全局配置和项目范围配置之间进行选择。 全局集成使 JProfiler MCP 服务器对当前用户的所有项目可用， 而项目范围集成则将配置文件写入所选项目目录， 因此仅对该项目有效。您可以针对不同项目多次执行集成。

点击 Integrate 按钮执行集成。JProfiler 将更新代理的 配置文件以注册 JProfiler MCP 服务器。集成完成后，AI 代理可以发现 并使用 JProfiler MCP 服务器。MCP 服务器可执行文件 bin/jpmcp 将由 AI 代理按需启动。

使用 MCP 包装器手动设置

如果 AI 代理运行的机器上未安装 JProfiler，您可以使用 @ej-technologies/jprofiler-mcp npm 包作为 MCP 包装器。该包装器 在首次使用时自动下载并配置 JProfiler，无需单独安装。 它还处理许可证激活，包括启动免费评估的选项。

要手动设置包装器，请将以下 MCP 服务器配置添加到代理的 配置文件中： 

{
   "mcpServers": {
     "jprofiler": {
       "command": "npx",
       "args": ["-y", "@ej-technologies/jprofiler-mcp"]
     }
   }
}

可用于 bin/jpmcp 的相同命令行选项可以 追加到 args 数组中。例如，将分析限制到特定 包： 

"args": ["-y", "@ej-technologies/jprofiler-mcp", "--filter", "com.example.app"]

包装器将 JProfiler 下载到用户主目录中的 .jprofiler-mcp 目录， 并使用 SHA-256 校验和验证下载内容。后续调用将复用 现有安装。

功能

JProfiler MCP 服务器 bin/jpmcp 是一个命令行工具， 通过 MCP 标准协议与 AI 代理通信。它需要有效的 JProfiler 许可证， 与 JProfiler GUI 相同。

MCP 服务器可以通过多种方式对 Java 应用程序进行性能分析：

  • 启动进程
    MCP 服务器可以在启用性能分析的情况下启动 Java 进程。它提供所需的 JVM 参数，并为所有已配置的子系统记录数据。
  • Attach 到本地进程
    对于已在运行的 JVM，MCP 服务器可以列出可用的 Java 进程，并通过进程 ID attach 到它们。
  • Attach 到 Docker 容器
    MCP 服务器支持 attach 到在 Docker 容器中运行的 Java 进程，提供 与本地进程相同的性能分析功能。

独立于对实时应用程序进行性能分析，还可以分析现有快照：

  • JProfiler 快照（.jps）
    包含 CPU、内存和探针数据的完整 JProfiler 快照。可以加载两个相同类型的快照 进行基线比较，以检测性能回归。
  • HPROF 快照（.hprof）
    用于内存分析的标准 Java 堆转储。
  • PHD 快照（.phd）
    IBM 可移植堆转储文件。
  • JFR 录制（.jfr）
    包含 CPU 和探针数据的 JDK Flight Recorder 文件。

对于内存分析，MCP 服务器可以创建正在运行的 JVM 的堆转储，包括在 Docker 容器中运行的 JVM。堆数据的分析涵盖最大对象及其保留 大小、单个对象的保留类以及整体类直方图。

性能分析

AI 代理可以检索 CPU 性能分析以及所有已记录探针子系统的热点和调用树。分析可以缩小到特定包， 代理可以迭代地深入到各个热点以检查其回溯跟踪。 对于 CPU 数据，支持仅可运行模式和 wall-time 模式。

可以使用下面描述的 --subsystems 命令行选项配置要记录的子系统。

命令行选项

虽然 MCP 服务器通常由 AI 代理在不带任何参数的情况下启动，但您可以在 代理的 MCP 配置中传递命令行选项以自定义性能分析行为：

  • -f, --filter
    要进行性能分析的项目包的逗号分隔列表，例如 com.example.app,org.service。这将分析限制在相关代码范围内， 减少噪音并优化 AI 代理中的上下文使用。
  • -s, --subsystems
    将被记录的子系统的逗号分隔列表。可用值为 cpu、jdbc、jpa、 mongo_db、cassandra、http_server、 http_client、ws、jndi、jms、 kafka_consumer、rmi、grpc、ai、 socket、file、process 和 gc。 默认情况下，记录 cpu、jdbc、jpa、 http_server、http_client、mongo_db 和 gc。
  • -d, --max-depth
    用于回溯跟踪的最大栈深度。

复杂性能分析场景

MCP 集成在简单的性能分析场景中效果最佳。对于需要对配置文件设置进行详细控制的复杂场景， 例如自定义触发器、高级过滤器配置或专用记录模式，建议使用 JProfiler GUI 手动记录 JProfiler 快照 （.jps），然后让 AI 代理分析已记录的数据。