Fledge MCP 服务器
这是一个模型上下文协议 (MCP) 服务器，它将 Fledge 功能连接到 Cursor AI，允许 AI 通过自然语言命令与 Fledge 实例进行交互。
先决条件
安装
- 克隆此存储库：
git clone https://github.com/Krupalp525/fledge-mcp.git
cd fledge-mcp
- 安装依赖项：
pip install -r requirements.txt
运行服务器
- 确保 Fledge 正在运行：
- 启动 MCP 服务器：
使用 API 密钥认证进行安全操作：
python secure_mcp_server.py
- 通过访问健康端点来验证它是否正常工作：
curl http://localhost:8082/health
您应该会收到“Fledge MCP 服务器正在运行”作为响应。
连接到光标
- 在 Cursor 中，前往“设置”>“MCP 服务器”
- 添加新服务器：
- 对于安全服务器，使用安全服务器启动时生成的 api_key.txt 文件中的值配置“X-API-Key”标头。
- 测试它：打开 Cursor 的 Composer（Ctrl+I），输入“检查 Fledge API 是否可访问”，AI 应该调用
validate_api_connection工具。
可用工具
数据访问和管理
- get_sensor_data ：从 Fledge 获取传感器数据，并可选择按时间范围和限制进行过滤
- list_sensors ：列出 Fledge 中所有可用的传感器
- ingest_test_data ：将测试数据导入 Fledge，并可选批处理计数
服务控制
- get_service_status ：获取所有 Fledge 服务的状态
- start_stop_service ：按类型启动或停止 Fledge 服务
- update_config ：更新 Fledge 配置参数
前端代码生成
- generate_ui_component ：为 Fledge 数据可视化生成 React 组件
- fetch_sample_frontend ：获取不同框架的示例前端模板
- suggest_ui_improvements ：获取 AI 支持的 UI 代码改进建议
实时数据流
- subscribe_to_sensor ：设置传感器数据更新订阅
- get_latest_reading ：获取特定传感器的最新读数
调试和验证
- validate_api_connection ：检查 Fledge API 是否可访问
- 模拟前端请求：使用不同的方法和有效负载测试 API 请求
文档和架构
- get_api_schema ：获取有关可用 Fledge API 端点的信息
- list_plugins ：列出可用的 Fledge 插件
先进的人工智能辅助功能
- generate_mock_data ：生成真实的模拟传感器数据用于测试
测试 API
您可以使用附带的测试脚本测试服务器：
# For standard server
python test_mcp.py
# For secure server with API key
python test_secure_mcp.py
安全选项
安全服务器（secure_mcp_server.py）添加API密钥认证：
- 首次运行时，它会生成一个存储在 api_key.txt 中的 API 密钥
- 所有请求都必须在 X-API-Key 标头中包含此密钥
- 无需身份验证即可访问健康检查端点
API 请求示例
# Validate API connection
curl -X POST -H "Content-Type: application/json" -d '{"name": "validate_api_connection"}' http://localhost:8082/tools
# Generate mock data
curl -X POST -H "Content-Type: application/json" -d '{"name": "generate_mock_data", "parameters": {"sensor_id": "temp1", "count": 5}}' http://localhost:8082/tools
# Generate React chart component
curl -X POST -H "Content-Type: application/json" -d '{"name": "generate_ui_component", "parameters": {"component_type": "chart", "sensor_id": "temp1"}}' http://localhost:8082/tools
# For secure server, add API key header
curl -X POST -H "Content-Type: application/json" -H "X-API-Key: YOUR_API_KEY" -d '{"name": "list_sensors"}' http://localhost:8082/tools
扩展服务器
要添加更多工具：
- 将工具定义添加到
tools.json - 在
mcp_server.py和secure_mcp_server.py中实现工具处理程序
生产注意事项
对于生产部署：
- 使用 HTTPS
- 部署在 Nginx 等反向代理后面
- 实现更强大的身份验证（JWT、OAuth）
- 添加速率限制
- 为订阅设置持久数据存储
在 Smithery.ai 上部署
Fledge MCP 服务器可以部署在 Smithery.ai 上，以增强可扩展性和可用性。请按照以下步骤进行部署：
- 先决条件
- 本地机器上安装的 Docker
- Smithery.ai 帐户
- Smithery CLI 工具已安装
- 构建和部署
# Build the Docker image
docker build -t fledge-mcp .
# Deploy to Smithery.ai
smithery deploy
- 配置
smithery.json文件包含您的部署配置：- 端口 8082 上的 WebSocket 传输
- 可配置的 Fledge API URL
- 工具定义和参数
- 超时设置
- 环境变量在 Smithery.ai 仪表板中设置以下环境变量：
FLEDGE_API_URL ：您的 Fledge API 端点API_KEY ：您的安全 API 密钥（如果使用安全模式）
- 验证部署后，验证您的服务器是否正在运行：
smithery status fledge-mcp
- 监控通过 Smithery.ai 仪表板监控您的部署：
- 更新要更新您的部署：
# Build new image
docker build -t fledge-mcp .
# Deploy updates
smithery deploy --update
JSON-RPC 协议支持
服务端使用 JSON-RPC 2.0 通过 WebSocket 实现模型上下文协议 (MCP)。支持以下方法：
- 初始化
{
"jsonrpc": "2.0",
"method": "initialize",
"params": {},
"id": "1"
}
{
"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"
}
- 工具/列表
{
"jsonrpc": "2.0",
"method": "tools/list",
"params": {},
"id": "2"
}
- 工具/调用
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "get_sensor_data",
"parameters": {
"sensor_id": "temp1",
"limit": 10
}
},
"id": "3"
}
错误代码
服务器遵循标准 JSON-RPC 2.0 错误代码：
- -32700：解析错误
- -32600: 无效请求
- -32601：未找到方法
- -32602：无效参数
- -32000：服务器错误