Fledge MCP 서버

이는 Fledge 기능을 Cursor AI에 연결하는 MCP(Model Context Protocol) 서버로, AI가 자연어 명령을 통해 Fledge 인스턴스와 상호 작용할 수 있도록 합니다.

필수 조건

• Fledge는 로컬에 설치되었거나 API를 통해 접근 가능합니다(기본값: http://localhost:8081 )
• 커서 AI가 설치되었습니다
• 파이썬 3.8 이상

설치

1. 이 저장소를 복제하세요:

지엑스피1

2. 종속성을 설치합니다.

서버 실행

1. Fledge가 실행 중인지 확인하세요.

2. MCP 서버를 시작합니다.

API 키 인증을 통한 안전한 운영을 위해:

3. 상태 엔드포인트에 액세스하여 작동하는지 확인하세요.

응답으로 "Fledge MCP 서버가 실행 중입니다"라는 메시지를 받게 됩니다.

커서에 연결

1. 커서에서 설정 > MCP 서버로 이동합니다.
2. 새로운 서버 추가:
   • URL: http://localhost:8082/tools
   • 도구 파일: 포함된 tools.json을 업로드하거나 로컬 경로를 가리킵니다.
3. 보안 서버의 경우, 보안 서버가 시작될 때 생성되는 api_key.txt 파일의 값으로 "X-API-Key" 헤더를 구성합니다.
4. 테스트 방법: Cursor's Composer를 열고(Ctrl+I) "Fledge API에 접속 가능한지 확인"을 입력하면 AI가 validate_api_connection 도구를 호출합니다.

사용 가능한 도구

데이터 액세스 및 관리

1. get_sensor_data : 시간 범위 및 제한에 따른 선택적 필터링을 통해 Fledge에서 센서 데이터를 가져옵니다.
2. list_sensors : Fledge에서 사용 가능한 모든 센서를 나열합니다.
3. ingest_test_data : 선택적 배치 수를 사용하여 테스트 데이터를 Fledge에 수집합니다.

서비스 제어

4. get_service_status : 모든 Fledge 서비스의 상태를 가져옵니다.
5. start_stop_service : 유형별로 Fledge 서비스를 시작하거나 중지합니다.
6. update_config : Fledge 구성 매개변수 업데이트

프런트엔드 코드 생성

7. generate_ui_component : Fledge 데이터 시각화를 위한 React 구성 요소 생성
8. fetch_sample_frontend : 다양한 프레임워크에 대한 샘플 프런트엔드 템플릿을 가져옵니다.
9. suggest_ui_improvements : UI 코드 개선을 위한 AI 기반 제안을 받으세요

실시간 데이터 스트리밍

10. subscribe_to_sensor : 센서 데이터 업데이트 구독 설정
11. get_latest_reading : 특정 센서에서 가장 최근의 판독값을 가져옵니다.

디버깅 및 검증

12. validate_api_connection : Fledge API에 접속 가능한지 확인합니다.
13. simulate_frontend_request : 다양한 메서드와 페이로드로 API 요청 테스트

문서 및 스키마

14. get_api_schema : 사용 가능한 Fledge API 엔드포인트에 대한 정보를 가져옵니다.
15. list_plugins : 사용 가능한 Fledge 플러그인 목록

고급 AI 지원 기능

16. generate_mock_data : 테스트를 위한 현실적인 모의 센서 데이터를 생성합니다.

API 테스트

포함된 테스트 스크립트를 사용하여 서버를 테스트할 수 있습니다.

보안 옵션

보안 서버(secure_mcp_server.py)는 API 키 인증을 추가합니다.

1. 첫 번째 실행 시 api_key.txt에 저장된 API 키가 생성됩니다.
2. 모든 요청에는 X-API-Key 헤더에 이 키가 포함되어야 합니다.
3. 인증 없이도 상태 점검 엔드포인트에 계속 액세스할 수 있습니다.

API 요청 예시

서버 확장

더 많은 도구를 추가하려면:

1. tools.json 에 도구 정의를 추가합니다.
2. mcp_server.py 및 secure_mcp_server.py 에 도구 핸들러를 구현합니다.

생산 고려 사항

프로덕션 배포의 경우:

• HTTPS를 사용하세요
• Nginx와 같은 역방향 프록시 뒤에 배포
• 더욱 강력한 인증(JWT, OAuth) 구현
• 속도 제한 추가
• 구독에 대한 영구 데이터 저장소 설정

Smithery.ai에 배포

Fledge MCP 서버를 Smithery.ai에 배포하여 확장성과 가용성을 향상시킬 수 있습니다. 배포 단계는 다음과 같습니다.

1. 필수 조건
   • 로컬 머신에 Docker 설치
   • Smithery.ai 계정
   • Smithery CLI 도구가 설치되었습니다.
2. 빌드 및 배포
   # Build the Docker image docker build -t fledge-mcp . # Deploy to Smithery.ai smithery deploy
3. 구성 smithery.json 파일에는 배포에 대한 구성이 포함되어 있습니다.
   • 포트 8082에서의 WebSocket 전송
   • 구성 가능한 Fledge API URL
   • 도구 정의 및 매개변수
   • 시간 초과 설정
4. 환경 변수 Smithery.ai 대시보드에서 다음 환경 변수를 설정하세요.
   • FLEDGE_API_URL : Fledge API 엔드포인트
   • API_KEY : 보안 API 키(보안 모드를 사용하는 경우)
5. 배포 후 서버가 실행 중인지 확인 하세요 .
   smithery status fledge-mcp
6. 모니터링 Smithery.ai 대시보드를 통해 배포를 모니터링하세요.
   • 실시간 로그
   • 성과 지표
   • 오류 추적
   • 리소스 사용량
7. 업데이트 배포를 업데이트하려면 다음을 수행하십시오 .
   # Build new image docker build -t fledge-mcp . # Deploy updates smithery deploy --update

JSON-RPC 프로토콜 지원

서버는 WebSocket을 통해 JSON-RPC 2.0을 사용하여 모델 컨텍스트 프로토콜(MCP)을 구현합니다. 다음 메서드가 지원됩니다.

1. 초기화하다
   { "jsonrpc": "2.0", "method": "initialize", "params": {}, "id": "1" }
   응답:
   { "jsonrpc": "2.0", "result": { "serverInfo": { "name": "fledge-mcp", "version": "1.0.0", "description": "Fledge Model Context Protocol (MCP) Server", "vendor": "Fledge", "capabilities": { "tools": true, "streaming": true, "authentication": "api_key" } }, "configSchema": { "type": "object", "properties": { "fledge_api_url": { "type": "string", "description": "Fledge API URL", "default": "http://localhost:8081/fledge" } } } }, "id": "1" }
2. 도구/목록
   { "jsonrpc": "2.0", "method": "tools/list", "params": {}, "id": "2" }
   응답: 사용 가능한 도구와 해당 매개변수 목록을 반환합니다.
3. 도구/호출
   { "jsonrpc": "2.0", "method": "tools/call", "params": { "name": "get_sensor_data", "parameters": { "sensor_id": "temp1", "limit": 10 } }, "id": "3" }

오류 코드

서버는 표준 JSON-RPC 2.0 오류 코드를 따릅니다.

• -32700: 구문 분석 오류
• -32600: 잘못된 요청입니다
• -32601: 메서드를 찾을 수 없습니다.
• -32602: 잘못된 매개변수입니다.
• -32000: 서버 오류