Core/Dash Servidor MCP

Conecta tu agente de IA a datos reales de Core Web Vitals. Depura en el chat. Valida en el código. Sin dashboards.

Prueba gratis

Trusted by market leaders · Client results

perionsaturnfotocasacompareadevintakpnmarktplaatsharvarddpg mediaerasmusmcvpnhappyhorizonmonarchmy work featured on web.devworkivaaleteianina careloopearplugssnvebaynestlewhowhatwear

Alimenta tu agente de IA con datos en tiempo real 

Este es el problema: los desarrolladores abren Claude o Cursor, describen un problema de Core Web Vitals y piden ayuda. La IA da una respuesta perfectamente razonable basada en generalizaciones. Especula. Ofrece consejos genéricos. Te sugiere "comprobar tu elemento LCP" sin saber cuál es tu elemento LCP real.

El servidor MCP de CoreDash da a cualquier agente de IA compatible con MCP acceso directo a tus datos de Real User Monitoring en tiempo real. Las 5 Core Web Vitals con sus fases de desglose completas + 25 dimensiones de filtrado (los mismos datos que alimentan el panel).

En lugar de adivinar, la IA puede decirte que tu LCP es de 3102 ms en móvil porque div.hero-image > img es un JPEG no optimizado de 2,4 MB sin fetchpriority="high". Puede decirte que el despliegue del jueves pasado causó una regresión del INP del 18% aislada en button.add-to-cart. Puede mostrarte que tu TTFB en Alemania es de 1400 ms porque no estás llegando al edge de la CDN en Frankfurt.

Cómo funciona

MCP (el Model Context Protocol) se autodescribe. Cuando tu IA se conecta, el servidor le dice qué métricas existen, cómo filtrar y qué hace cada parámetro. Te conectas y el agente se encarga del resto.

Bajo el capó: HTTPS POST sin estado, JSON-RPC 2.0, autenticación mediante Bearer token. Cada petición es independiente. Sin sesiones ni WebSockets. Para ver la referencia completa de la API con ejemplos de petición y respuesta, consulta la documentación de la API de CoreDash.

Primeros pasos

Incluido en tu plan. El acceso MCP se incluye con cada cuenta de CoreDash. Sin complementos ni ventas adicionales. Si tienes un proyecto, puedes generar una clave de API ahora mismo.

Paso 1: Genera una clave de API

Inicia sesión en CoreDash, abre tu proyecto, ve a AI Insights y luego a Connect Your AI. Dale un nombre a la clave ("Claude Desktop", "Cursor", "CI Pipeline") y haz clic en Generate. Cópiala ahora. Se muestra exactamente una vez. Le aplicamos un hash con SHA-256 y solo almacenamos el hash.

Cada clave está limitada a un único proyecto. Puedes crear tantas como necesites y revocar cualquiera al instante. Solo los propietarios del proyecto pueden gestionar las claves.

Paso 2: Configura tu cliente MCP

Haz clic en + en la barra de chat, luego en ConnectorsManage ConnectorsAdd custom connector. Pega la URL. Claude gestiona la autenticación mediante OAuth: se te redirigirá a CoreDash para elegir un proyecto y aceptar. No se necesita clave de API.

Consulta la guía completa del conector de Claude para ver capturas de pantalla paso a paso.

Inicio de sesión en el navegador (recomendado para uso interactivo). Añade el servidor sin cabeceras ni clave:

claude mcp add --transport http coredash https://app.coredash.app/api/mcp

La primera vez que te conectes, ejecuta /mcp dentro de una sesión interactiva, selecciona coredash y elige Authenticate. Tu navegador abrirá la página de inicio de sesión y consentimiento de CoreDash. Inicia sesión, elige un proyecto y acepta. Claude Code almacena un token OAuth de corta duración que se actualiza automáticamente (acceso de 1 hora, renovación de 30 días) y que puedes revocar en cualquier momento. No tienes que pegar ninguna clave. (claude mcp list solo comprueba el estado del servidor y reportará un fallo al obtener las herramientas hasta que te hayas autenticado, así que autentícate primero desde una sesión real).

Clave de API. Para ejecuciones headless, automatizadas o de CI sin navegador, pasa una clave en su lugar:

claude mcp add --transport http coredash https://app.coredash.app/api/mcp --header "Authorization: Bearer cdk_YOUR_API_KEY"

Ve a SettingsTools & MCPNew MCP Server. Configura la URL como https://app.coredash.app/api/mcp y añade una cabecera: Authorization: Bearer cdk_YOUR_API_KEY.

Funciona con cualquier cliente MCP que lea un archivo de configuración JSON (Claude Desktop, Cursor, Windsurf, VS Code):

{
  "mcpServers": {
    "coredash": {
      "url": "https://app.coredash.app/api/mcp",
      "headers": {
        "Authorization": "Bearer cdk_YOUR_API_KEY"
      }
    }
  }
}

Paso 3: Verifica

Pregúntale algo sencillo a tu IA para confirmar que la conexión funciona:

"¿Cuáles son las Core Web Vitals actuales para /product en móvil?"

Si llama a get_metrics y devuelve números reales, ya estás conectado.

Tres herramientas

El servidor MCP tiene tres herramientas.

get_metrics es la herramienta de instantánea. "¿Cuál es el LCP actual en móvil?". Úsala para cualquier pregunta sobre el estado actual. Filtra por dispositivo, país, página o navegador. Agrupa por cualquier dimensión para comparar segmentos.

get_timeseries es la herramienta de tendencias. "¿Ha empeorado el INP desde el jueves?". Devuelve puntos de datos a lo largo del tiempo y clasifica automáticamente la tendencia como en mejora, estable o en regresión. La IA interpreta la tendencia por ti en lugar de dejar que la analices a ojo en un gráfico.

get_histogram es la herramienta de distribución. "¿Cómo es la distribución del LCP en móvil?". Devuelve unos 40 buckets que muestran la forma completa de tus datos. Un p75 de 2400 ms podría significar que la mayoría de los usuarios están en torno a los 2400 ms, o que el 60% es rápido y un grupo de tráfico móvil lento está arrastrando la cola. El histograma te indica cuál de las dos cosas es.

Para ver la referencia completa de parámetros, ejemplos de peticiones y formatos de respuesta, consulta la documentación de la API.

Ejemplo real: refactorización basada en el rendimiento

Esto es lo que ocurre cuando Cursor tiene el MCP conectado y le pides que busque interacciones de INP lentas y las asocie con problemas reales del código:

El agente comprobó los datos reales de atribución del INP, encontró qué interacciones eran deficientes, buscó los datos de LOAF para identificar los scripts responsables e identificó correctamente los problemas antes de corregirlos. Esa es la diferencia entre los consejos genéricos de buenas prácticas y una solución basada en lo que realmente va lento.

Límites de peticiones

Las peticiones MCP comparten los límites diarios con las funciones de IA de CoreDash. Los límites se restablecen a la medianoche UTC.

PlanPeticiones diarias
Trial30
Starter100
Standard500
Pro1.000
Enterprise50.000

Seguridad

  • Las claves en bruto se muestran una sola vez. Solo almacenamos el hash SHA-256.
  • Cada clave está limitada a un único proyecto. Sin movimiento lateral.
  • Las claves se pueden revocar al instante desde el panel.
  • Cada clave rastrea last_used. Las claves obsoletas son fáciles de detectar.
  • El servidor MCP es de solo lectura. No hay rutas de escritura a través de la API.
  • Los proyectos caducados rechazan automáticamente todas las claves de API.

I will start by listing the contents of the workspace directory to locate the source text that needs translation.
I will read the contents of the file `tmp_source_260618124001.json` to extract the text content that needs to be translated.
I will view the end of `translation_changelog.log` to check the format of previous translations and ensure consistency.
I will view the last few hundred lines of `translation_changelog.log` to see how translation tasks were structured.
I will view the lines 37400 to 37539 of `translation_changelog.log` to see the structure of previous outputs.
I will search for references to `tmp_source` in the python scripts to see how the inputs/outputs are handled.
I will view the beginning of `stateless_translate.py` to understand the translation setup and flow.
I will view lines 251 to 500 of `stateless_translate.py` to see the structure of the JSON fields and how translation requests are dispatched.
I will perform a grep search in `translation_changelog.log` to see how Core Web Vitals I will start by listing the contents of the workspace directory to locate the source text that needs translation.
I will read the contents of the file `tmp_source_260618124001.json` to extract the text content that needs to be translated.
I will view the end of `translation_changelog.log` to check the format of previous translations and ensure consistency.
I will view the last few hundred lines of `translation_changelog.log` to see how translation tasks were structured.
I will view the lines 37400 to 37539 of `translation_changelog.log` to see the structure of previous outputs.
I will search for references to `tmp_source` in the python scripts to see how the inputs/outputs are handled.
I will view the beginning of `stateless_translate.py` to understand the translation setup and flow.
I will view lines 251 to 500 of `stateless_translate.py` to see the structure of the JSON fields and how translation requests are dispatched.
I will perform a grep search in `translation_changelog.log` to see how