Microservice Control Panel (MCP)

Integrations

Enables configuration management through environment variables, allowing customization of the MCP server's behavior
Provides the API backend for the MCP server, allowing HTTP-based interactions with the system's microservices
Supports Jupyter notebook execution within the MCP environment, allowing notebook-based workflows for AI applications

Modellkontextprotokoll (MCP)

Überblick

MCP ist ein modulares Framework zur Verwaltung, Ausführung und Überwachung von KI-Modellkontexten, einschließlich LLM-Eingabeaufforderungen, Jupyter-Notebooks und Python-Skripten. Es bietet ein FastAPI-Backend und ein Streamlit-Dashboard-Frontend.

Merkmale

Registrieren und verwalten Sie verschiedene Arten von MCPs (LLM-Eingabeaufforderungen, Notizbücher, Skripte).
Führen Sie MCPs aus und zeigen Sie die Ergebnisse in einer Web-Benutzeroberfläche an
Überwachen Sie den Serverzustand und die Statistiken
Erweiterbar für neue MCP-Typen

Aufstellen

Voraussetzungen

Python 3.9+
(Empfohlen) Erstellen und aktivieren Sie eine virtuelle Umgebung

Abhängigkeiten installieren

pip install -r requirements.txt

Umgebungsvariablen

Legen Sie MCP_API_KEY für die API-Authentifizierung fest (optional, Standardwerte bereitgestellt)
Für LLMs legen Sie ANTHROPIC_API_KEY fest, wenn Sie Claude verwenden

Starten Sie das Backend

uvicorn mcp.api.main:app --reload

Starten Sie das Frontend

streamlit run mcp/ui/app.py

Verwendung

Greifen Sie unter http://localhost:8501 auf das Dashboard zu
Erstellen, verwalten und testen Sie MCPs über die Benutzeroberfläche
Überwachen Sie den Zustand und die Statistiken über die Seitenleiste

Hinzufügen neuer MCPs

Implementieren Sie eine neue MCP-Klasse in mcp/core/
Im Backend registrieren
Fügen Sie UI-Unterstützung in mcp/ui/app.py

Ausführen von Tests

pytest

Projektstruktur

mcp/api/ – FastAPI-Backend
mcp/ui/ - Streamlit-Frontend
mcp/core/ - Kern-MCP-Typen und -Logik
tests/ - Testsuite

Lizenz

MIT

API-Dokumentation

Sobald der Server läuft, können Sie auf Folgendes zugreifen:

API-Dokumentation: http://localhost:8000/docs
Prometheus-Metriken: http://localhost:8000/metrics
Gesundheitscheck: http://localhost:8000/health
Statistiken: http://localhost:8000/stats

Sicherheit

Für alle Endpunkte ist eine API-Schlüsselauthentifizierung erforderlich
Die Ratenbegrenzung ist standardmäßig aktiviert
CORS ist so konfiguriert, dass nur bestimmte Ursprünge zulässig sind
Alle sensiblen Konfigurationen werden über Umgebungsvariablen verwaltet

Überwachung

Der Server beinhaltet:

Prometheus-Metriken für Anforderungsanzahl, Latenzen und Serverausführungen
Strukturiertes JSON-Logging
Integritätsprüfungsendpunkt
Serverstatistikendpunkt

Beitragen

Forken Sie das Repository
Erstellen eines Feature-Zweigs
Übernehmen Sie Ihre Änderungen
Push zum Zweig
Erstellen einer Pull-Anforderung

Zusätzliche Abhängigkeiten für die Notebook- und LLM-Integration

Dieses Projekt erfordert jetzt die folgenden zusätzlichen Python-Pakete:

Pandas
numpy
matplotlib
Papierfabrik
nbformat
jupyter
anthropisch

Installieren Sie alle Abhängigkeiten mit:

pip install -r requirements.txt

Verwenden des Notebook-MCP zum Aufrufen eines LLM (Claude)

Das Beispiel-Notebook ( mcp/notebooks/example.ipynb ) zeigt:

Datenanalyse und Plotten
Aufruf des Claude LLM über das anthropic Python-Paket

Um die LLM-Zelle zu verwenden, stellen Sie sicher, dass Sie Ihren ANTHROPIC_API_KEY in Ihrer Umgebung oder .env Datei festgelegt haben.

Die Notebookzelle für LLM sieht folgendermaßen aus:

import os
import anthropic

api_key = os.getenv('ANTHROPIC_API_KEY')
if not api_key:
    raise ValueError('ANTHROPIC_API_KEY not set in environment!')

client = anthropic.Anthropic(api_key=api_key)
response = client.messages.create(
    model='claude-3-sonnet-20240229',
    max_tokens=256,
    temperature=0.7,
    messages=[
        {'role': 'user', 'content': 'Tell me a joke about data science.'}
    ]
)
print('Claude says:', response.content[0].text)

This server cannot be installed

security - not tested

license - not found

quality - not tested

remote-capable server

The server can be hosted and run remotely because it primarily relies on remote services or has no dependency on the local environment.

Ein modulares System zum Erstellen und Orchestrieren von KI-Anwendungen durch Microservices mit LLM-Interaktionen, Jupyter-Notebook-Ausführung und visuellen Workflow-Funktionen.

Related MCP Servers

Crew AI MCP Server
MatthewLaw1
-
security
F
license
-
quality
Enables AI agent and task management using the CrewAI framework, allowing users to create and run agents and tasks in an automated workflow environment.
Last updated -
0
3
JavaScript
Slim MCP
webdevtodayjason
-
security
A
license
-
quality
A lightweight, modular API service that provides useful tools like weather, date/time, calculator, search, email, and task management through a RESTful interface, designed for integration with AI agents and automated workflows.
Last updated -
Python
MIT License
Modal MCP Server
smehmood
-
security
A
license
-
quality
An MCP server that enables AI agents to interact with Modal, allowing them to deploy apps and run functions in a serverless cloud environment.
Last updated -
Python
MIT License
MCP Crew AI Server
adam-paterson
-
security
F
license
-
quality
A lightweight Python-based server designed to run, manage and create CrewAI workflows using the Model Context Protocol for communicating with LLMs and tools like Claude Desktop or Cursor IDE.
Last updated -
1
Python

View all related MCP servers