$ loading_
连接 AI 编码助手与 OpenTelemetry 生态，实时获取文档、示例与观测埋点建议。
该 MCP 工具未声明需要密钥或固定远程端点，且为 Apache 2.0 开源项目，整体未见明确高风险红旗。主要风险点在于其具备本机代码执行能力、数据访问范围说明较少，以及仓库社区采用度和维护状态偏弱，建议在隔离环境中审阅后使用。
材料明确标注“无”必需密钥或环境变量，未见要求用户提供 API Token、云凭证或其他敏感认证信息；基于现有材料，凭证泄露或滥用面较低。
材料未声明任何远程端点 host，README 也缺失，未见明确将用户数据外发到第三方服务的事实。描述中提到连接 OpenTelemetry 生态，但具体联网目标与传输内容未披露，当前证据下未构成高风险外发迹象。
系统客观检查项已标记为 executes-code，说明该工具具备在本机执行代码或起进程的能力。这属于 MCP 工具的常规敏感能力，应在受限权限或沙箱环境中运行；但仅凭此点不足以上升为高风险。
描述称其可为 AI 编码助手提供对仓库、文档、示例和评分能力的实时访问，意味着可能读取代码仓库或相关本地/工作区数据；但材料未说明具体读写范围、是否写盘或是否访问超出项目目录的资源。当前更适合定为需留意，而非过度授权的高风险。
正面因素是其开源且采用 Apache 2.0 许可证，源码可审计，这明显降低了供应链风险；但来源为 third_party_registry，社区采用仅 0 star，维护状态未知，成熟度与持续维护信号偏弱，因此仍建议审阅代码与依赖后再接入生产环境。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"otel-instrumentation-mcp" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请基于 OpenTelemetry 语义规范，说明为一个 Node.js HTTP 服务添加请求追踪与错误记录时应使用哪些 span 属性、事件和状态码，并给出示例代码。
返回符合规范的埋点说明、关键字段清单和可复用的示例代码。
帮我查找 OpenTelemetry 中关于 Python Flask 应用接入 tracing 和 metrics 的官方文档、仓库示例及推荐实践，并总结差异。
输出相关文档链接、示例来源与一份简明的实践对比总结。
检查这段服务埋点方案是否完整，按 OpenTelemetry 最佳实践指出缺失的 trace、metric、日志字段，并给出改进建议与评分依据。
给出埋点质量评分、缺失项列表以及可执行的优化建议。
用自然语言查询分析遥测数据，快速定位性能问题与系统根因。
将 OpenAPI 定义转换为 MCP 工具，帮助模型快速接入和调用各类 API。
帮助AI快速摸清陌生TypeScript SaaS代码库结构、风险点与关键业务流。
帮助团队快速搭建、部署并运维安全可观测的 AI Agent 与 MCP 服务。
让 AI 编程助手直连 OpenRouter，完成查询、文件分析与批量处理。
为 AI 代理提供通用编码规范、测试流程与需求规划支持。