Enables configuration of environment variables for API keys and other settings
Enables cloning the repository and pushing changes for deployment
Allows forking projects, creating branches, committing changes, and opening pull requests for contribution
Provides deployment capabilities including application creation, environment configuration, and application deployment
Enables comprehensive Lightning Network analysis including network history, node statistics, channel optimization, and liquidity assessment
Provides API documentation through Swagger UI for exploring and testing the available endpoints
MCP - Moniteur et Contrôleur de Performance pour Lightning Network
Système d'optimisation automatisé pour nœuds Lightning Network basé sur le testing A/B et RAG
À propos
MCP est un système d'optimisation complet qui aide les opérateurs de nœuds Lightning à améliorer leurs performances en ajustant automatiquement les paramètres comme les frais de routage en fonction des données réelles du réseau et des tests A/B.
Fonctionnalités principales
- Simulateur de nœuds Lightning - Test à grande échelle avec différents profils de nœuds (saturé, inactif, abusé, etc.)
- Moteur d'analyse multicritère - Évaluation avancée des performances de canaux Lightning
- Système de rollback robuste - Retour à l'état précédent en cas d'erreur
- Monitoring avancé - Tableaux de bord Grafana pour visualiser les performances
- Pipeline de décision automatisé - Ajustements de frais basés sur des scores de performance
- Mode dry-run - Test des recommandations sans appliquer les changements
Structure du projet
Prérequis
- Python 3.9+
- Docker et Docker Compose
- Accès à un nœud Lightning (optionnel pour développement)
Installation
Installation locale
Démarrage avec Docker
Utilisation
Simuler différents profils de nœuds
Accéder aux tableaux de bord
Par défaut, l'identifiant et le mot de passe sont tous deux admin
.
Exécuter les tests
Environnement de production
Pour un déploiement en production, configurez les variables d'environnement dans un fichier .env
:
Shadow Mode
Par défaut, le système fonctionne en mode "shadow" (dry-run) pour observer les recommandations sans les appliquer automatiquement. Pour activer les changements automatiques, modifiez le paramètre DRY_RUN=false
dans le fichier .env
.
Développement
Pipeline de décision
Le pipeline de décision suit ce processus:
- Collection des données du nœud
- Évaluation multicritère par le système de scoring
- Recommandations d'optimisation
- Exécution contrôlée des ajustements (avec rollback si nécessaire)
- Surveillance des performances post-modification
Ajout de nouveaux profils de nœuds
Pour ajouter un nouveau profil de nœud dans le simulateur, modifiez src/tools/node_simulator.py
en ajoutant vos paramètres dans le dictionnaire NODE_BEHAVIORS
.
Licence
Ce projet est sous licence MIT. Voir le fichier LICENSE
pour plus de détails.
Contribution
Les contributions sont les bienvenues! Veuillez consulter notre guide de contribution CONTRIBUTING.md
avant de soumettre une pull request.
MCP-llama
Installation sur Umbrel
- Ajoutez l'application MCP via l'App Store Umbrel ou en ligne de commande.
- Vérifiez que le volume LND est bien monté dans le conteneur :
- Le dossier
/lnd
dans le conteneur doit conteniradmin.macaroon
ettls.cert
. - Le volume est défini dans
umbrel-app.yml
:
- Le dossier
- Configurez votre fichier
.env
dans/data
si besoin (voir.env.example
). - Vérifiez les permissions :
- L'utilisateur du conteneur doit avoir accès en lecture à
/lnd/admin.macaroon
et/lnd/tls.cert
. - En cas d'erreur, consultez les logs MCP ou exécutez :
- L'utilisateur du conteneur doit avoir accès en lecture à
- Démarrez l'application via l'interface Umbrel.
- Accédez à l'interface MCP via le dashboard Umbrel (port 8000).
Pour toute question, ouvrez une issue sur le repo GitHub.
Déploiement MVP sur Umbrel (v0.1.0-beta)
Prérequis
- Umbrel OS à jour
- Application MCP installée via l'App Store ou en ligne de commande
- Accès au volume LND (
/lnd
) et MongoDB
Installation
- Installer MCP depuis l'App Store Umbrel
- Vérifier le montage du volume LND
/lnd/admin.macaroon
et/lnd/tls.cert
doivent être accessibles en lecture dans le conteneur
- Configurer le fichier
.env
dans/data
- Par défaut, le mode dry-run est activé (
DRYRUN=true
) - Pour activer les modifications réelles, passez
DRYRUN=false
(déconseillé en phase MVP)
- Par défaut, le mode dry-run est activé (
- Lancer le script d'installation rapide (optionnel)
- Démarrer l'application via l'interface Umbrel
- Accéder à l'interface MCP sur le port 8000 du dashboard
Logging renforcé
- Tous les logs sont stockés dans
logs/fee_optimizer.log
et/data/logs/
- Les erreurs critiques, rollbacks et notifications sont également envoyés via Telegram (si configuré)
- Les recommandations shadow mode sont visibles dans Grafana et via l'API
/api/v1/fee-optimizer/recommendations
Conseils pour la phase MVP
- Gardez le mode dry-run activé pour éviter toute modification réelle sur le nœud
- Surveillez les logs et dashboards pour détecter toute anomalie
- Testez les rollbacks et la récupération d'erreur avant de passer en mode actif
- Consultez la documentation technique dans
/docs/
pour les détails d'architecture et de sécurité
Suivi post-déploiement & feedback
Tableau de bord des instances déployées
- Chaque instance MCP envoie un heartbeat périodique (script
scripts/instance_heartbeat.py
) vers un serveur central ou Google Form/Sheet. - Le payload inclut : ID d'instance, version, timestamp, statut, logs récents.
- À planifier en cron (ex : toutes les heures) :
- Les données sont visualisées dans un dashboard centralisé (Grafana, Notion, Google Data Studio…)
Canal de feedback rapide
- Groupe Telegram testeurs : t.me/mcp_testers (exemple)
- Formulaire Google Form : [Lien à insérer ici]
- Lien GitHub Issues : https://github.com/you/mcp/issues
- Ces liens sont affichés dans l'interface MCP et dans la documentation utilisateur.
Itérations hebdomadaires (phase MVP)
- Semaine 1 : collecte des premiers retours, correction des bugs critiques, amélioration de la doc
- Semaine 2 : analyse des métriques d'usage, ajustements UX, bilan intermédiaire
- Semaine 3 : stabilisation, nettoyage, préparation de la prochaine version
- Suivi des tâches via un board Kanban (GitHub Projects, Notion, Trello)
- Récap hebdomadaire envoyé sur le canal de feedback
Déploiement sur Hostinger
Prérequis
- Docker et docker-compose installés
- Accès à Hostinger (VPS ou Cloud)
- Variables d'environnement de production renseignées (voir
env.example.hostinger
)
Étapes
- Copier
env.example.hostinger
en.env.production
et compléter les valeurs obligatoires (API keys, secrets, etc). - Lancer le build et le déploiement avec le script :ou manuellement :
- Vérifier l'accès à l'API sur
https://api.dazno.de
ou votre domaine Hostinger.
Points d'attention
- Adapter les ports exposés dans
docker-compose.prod.yml
selon la configuration réseau Hostinger. - Les fichiers
.env.production
et secrets NE DOIVENT PAS être versionnés. - Pour la supervision, Prometheus et Grafana sont inclus dans la stack.
- Pour toute personnalisation, voir les fichiers de config dans
config/
et les scripts dansscripts/
.
This server cannot be installed
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.
Connects to Cursor and enables deep web searches via Linkup and RAG capabilities using LlamaIndex.
Related MCP Servers
- -securityAlicense-qualityFacilitates integration with the Cursor code editor by enabling real-time code indexing, analysis, and bi-directional communication with Claude, supporting concurrent sessions and automatic reconnection.Last updated -438MIT License
- -securityAlicense-qualityEnables integration with DuckDuckGo search capabilities for LLMs, supporting comprehensive web search, regional filtering, result types, and safe browsing with caching and customizable search parameters.Last updated -403MIT License
- AsecurityAlicenseAqualityEnables efficient web search integration with Jina.ai's Search API, offering clean, LLM-optimized content retrieval with support for various content types and configurable caching.Last updated -464MIT License
- -securityFlicense-qualityA Python-based local indexing server that creates semantic search capabilities for codebases using ChromaDB, allowing Cursor IDE to perform vector searches on your code without sending data to external services.Last updated -22