Skip to main content
Glama
SeoNaRu

Persona MCP Server

by SeoNaRu
OverviewSchemaRelated ServersScoreDiscussions
Python
Hybrid

Persona MCP Server

AI 기반 페르소나 분석 및 FGI (Focus Group Interview) 시스템을 위한 MCP (Model Context Protocol) 서버입니다.

📋 목차

MCP란 무엇인가?

**MCP (Model Context Protocol)**는 AI 모델이 외부 도구와 서비스를 안전하게 연결하고 사용할 수 있도록 하는 표준 프로토콜입니다.

MCP의 핵심 개념

  1. 도구(Tools): AI가 호출할 수 있는 함수들

  2. 리소스(Resources): AI가 읽을 수 있는 데이터 소스

  3. 프롬프트(Prompts): 재사용 가능한 프롬프트 템플릿

이 프로젝트에서의 MCP

이 Persona MCP Server는 FastMCP 프레임워크를 사용하여 구현되었으며, 다음과 같은 방식으로 작동합니다:

  • 표준 입출력(stdio) 통신: MCP 클라이언트와 JSON-RPC 프로토콜로 통신

  • 비동기 처리: asyncio를 활용한 비동기 도구 실행

  • 타입 안전성: Pydantic을 사용한 요청/응답 검증

이 서비스는 무엇을 하나요?

이 MCP 서버는 페르소나 기반 FGI 시스템을 제공합니다. 주요 목적은 다음과 같습니다:

1. 페르소나 생성 및 관리

  • 사용자의 설문 응답을 분석하여 AI 기반 페르소나 프로필 생성

  • MBTI 유형, 관심사, 성격 특성, 가치관 등을 자동 분석

  • 기본 프로필(연령대, 성별, 지역, 직업 등) 관리

2. 동적 FGI 설문 생성

  • 카테고리별(기술, 라이프스타일, 문화, 패션, 음식, 일반) 설문 시작

  • AI가 이전 답변을 분석하여 다음 질문을 동적으로 생성

  • 최소한의 질문으로 최대한의 정보 수집이 목표

3. 데이터 신선도 관리

  • 페르소나 데이터의 가치를 "신선도 점수"로 관리

  • 시간이 지남에 따라 자동으로 감소 (하루에 -3점)

  • 설문 응답 제출 시 신선도 점수 증가

  • SS급, S급, A급, B급, C급 등으로 데이터 가치 등급화

4. 비즈니스 인사이트 제공

  • 특정 제품/주제에 대한 페르소나들의 선호도 분석

  • 트렌드 인사이트 제공

  • 키워드 기반 응답 검색

  • 페르소나 비교 및 통계 분석

5. 샘플 데이터 생성

  • 데모 및 테스트를 위한 샘플 페르소나 자동 생성

  • 다양한 카테고리의 설문 및 응답 생성

  • LLM 기반 자연스러운 데이터 생성 (또는 템플릿 기반 빠른 생성)

시스템 아키텍처

┌─────────────────┐ │ MCP Client │ (Cursor AI, Claude Desktop 등) │ (Cursor AI) │ └────────┬────────┘ │ JSON-RPC (stdio) │ ┌────────▼─────────────────────────────────────┐ │ Persona MCP Server │ │ ┌──────────────────────────────────────┐ │ │ │ FastMCP Framework │ │ │ │ - Tool Registration │ │ │ │ - Request/Response Handling │ │ │ └──────────┬───────────────────────────┘ │ │ │ │ │ ┌──────────▼───────────────────────────┐ │ │ │ Tool Implementations │ │ │ │ - FGI Tools (fgi_tools.py) │ │ │ │ - Predict (predict.py) │ │ │ │ - Insights (insights.py) │ │ │ │ - Freshness (freshness.py) │ │ │ │ - Query (query.py) │ │ │ │ - Sample Data (sample_data.py) │ │ │ └──────────┬───────────────────────────┘ │ │ │ │ │ ┌──────────▼───────────────────────────┐ │ │ │ Database Layer (SQLAlchemy) │ │ │ │ - Persona Model │ │ │ │ - FGISurvey Model │ │ │ │ - FGIResponse Model │ │ │ └──────────┬───────────────────────────┘ │ └─────────────┼────────────────────────────────┘ │ ┌─────────────▼─────────────┐ │ SQLite Database │ │ (data/fgi.db) │ └───────────────────────────┘ │ ┌─────────────▼─────────────┐ │ Groq LLM API │ │ (AI 분석 및 생성) │ └───────────────────────────┘

주요 컴포넌트

  1. FastMCP: MCP 프로토콜 구현 프레임워크

  2. SQLAlchemy: ORM을 통한 데이터베이스 관리

  3. Groq API: LLM 기반 분석 및 생성

  4. Pydantic: 데이터 검증 및 직렬화

  5. 캐싱 시스템: 반복적인 분석 결과 캐싱

주요 기능

1. 페르소나 생명주기 관리

⚠️ 중요: 기본 프로필은 필수입니다!

서버를 사용하기 전에 반드시 기본 프로필을 설정해야 합니다. 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다.

기본 프로필 질문 조회

페르소나의 기본 정보를 수집하기 전에, 먼저 어떤 질문을 해야 하는지 확인할 수 있습니다.

# 기본 프로필 질문 목록 조회 questions = get_basic_profile_questions_tool()

반환되는 질문 목록:

  • age_range: 나이대 선택 (필수) - 10대, 20대 초반, 20대 후반, 30대 초반, 30대 후반, 40대 이상

  • gender: 성별 선택 (필수) - 남성, 여성, 기타, 답변 안 함

  • location: 거주 지역 선택 (필수) - 서울, 경기, 인천, 부산, 대구, 광주, 대전, 기타

  • occupation_category: 직업 분야 선택 (필수) - IT/개발, 디자인, 마케팅, 교육, 서비스, 학생, 기타

  • income_range: 월 소득 범위 (선택사항) - 200만원 미만, 200-300만원, 300-500만원, 500만원 이상, 답변 안 함

필수 필드: age_range, gender, location, occupation_category (4개) 선택 필드: income_range (1개)

사용 흐름:

  1. get_basic_profile_questions_tool()로 질문 목록 조회

  2. 사용자에게 각 질문을 제시하고 답변 수집

  3. 수집한 답변을 update_basic_profile_tool()로 저장

기본 프로필 완전성 확인

기본 프로필이 완전한지 확인할 수 있습니다.

# 모든 페르소나의 기본 프로필 확인 check_basic_profile_tool() # 특정 페르소나의 기본 프로필 확인 check_basic_profile_tool(persona_id="persona_123")

반환 정보:

  • is_complete: 기본 프로필이 완전한지 여부 (bool)

  • missing_fields: 누락된 필수 필드 목록

  • message: 상태 메시지

  • persona_id: 확인한 페르소나 ID (또는 None)

기본 프로필 업데이트

수집한 기본 정보를 페르소나에 저장합니다.

# 페르소나의 기본 정보 설정 update_basic_profile_tool( persona_id="persona_123", profile_data={ "age_range": "20대 후반", # 질문 목록의 옵션 중 하나 "gender": "남성", # 질문 목록의 옵션 중 하나 "location": "서울", # 질문 목록의 옵션 중 하나 "occupation_category": "IT/개발", # 질문 목록의 옵션 중 하나 "income_range": "300-500만원" # 선택사항, 질문 목록의 옵션 중 하나 } )

주의사항:

  • profile_data의 각 필드 값은 get_basic_profile_questions_tool()에서 반환된 옵션 리스트 중 하나여야 합니다.

  • 필수 필드 4개(

  • income_range는 선택사항이므로 생략 가능합니다.

  • 기본 프로필을 저장하면 신선도 점수가 증가합니다 (최대 25점).

  • 기본 프로필이 없으면 설문 생성, 응답 제출 등 대부분의 기능을 사용할 수 없습니다.

페르소나 예측 (AI 분석)

# 설문 응답을 기반으로 페르소나 자동 생성 predict_persona_tool( responses=[ {"question_id": "q1", "answer": "저는 기술에 관심이 많아요..."}, {"question_id": "q2", "answer": "주말에는 코딩을 하거나..."} ], user_id="user_123" )

반환 정보:

  • 연령대 예측

  • 관심사 리스트

  • 성격 특성

  • 가치관

  • 라이프스타일 설명

  • MBTI 유형 및 차원별 분석

  • MBTI 신뢰도 점수

2. 동적 FGI 설문 시스템

설문 시작

# 카테고리별 설문 시작 create_fgi_survey_tool( category="technology", # technology, lifestyle, culture, fashion, food, general persona_id="persona_123" # 선택사항 )

지원 카테고리:

  • technology: 기술 분야

  • lifestyle: 라이프스타일

  • culture: 문화/엔터테인먼트

  • fashion: 패션

  • food: 음식

  • general: 일반

다음 질문 동적 생성

# 이전 답변을 분석하여 다음 질문 생성 generate_next_question_tool( survey_id="survey_123", previous_qa=[ {"question": "요즘 기술 분야에서 가장 관심있는 주제는?", "answer": "AI와 머신러닝에 관심이 많아요"}, {"question": "어떤 방식으로 학습하시나요?", "answer": "온라인 강의와 프로젝트를 병행해요"} ], category="technology", max_questions=10 # 선택사항: 최대 질문 수 제한 )

특징:

  • AI가 이전 답변을 분석하여 맥락에 맞는 다음 질문 생성

  • 정보 수집 완료도(info_completeness) 추적

  • 최종 질문 여부(is_final) 판단

  • 최대 질문 수 제한 가능

응답 제출

# 설문 응답 제출 및 신선도 업데이트 submit_fgi_response_tool( persona_id="persona_123", survey_id="survey_123", responses=[ {"question_id": "q1", "answer": "답변 내용"}, {"question_id": "q2", "answer": "답변 내용"} ] )

3. 신선도 점수 시스템

페르소나 데이터의 가치를 "신선도 점수"로 관리합니다.

신선도 점수 계산 방식

점수 획득:

  • 기본 프로필 업데이트: 최대 25점

  • 설문 응답 제출: 응답당 10-50점 (응답 품질에 따라)

  • 페르소나 예측 완료: 50-100점

점수 감소:

  • 시간 경과에 따라 자동 감소: 하루에 -3점

  • 최소 0점까지 감소

신선도 등급

등급

점수 범위

설명

SS급

500점 이상

완벽한 데이터 - 프리미엄 판매

S급

300-499점

최고 가치 데이터 - 고가 판매

A급

200-299점

고가치 데이터 - 판매 가능

B급

100-199점

보통 데이터 - 업데이트 권장

C급

50-99점

낮은 가치 - 업데이트 필요

F급

0-49점

최소 데이터 - 즉시 업데이트 필요

# 신선도 확인 check_freshness_tool(persona_id="persona_123")

반환 정보:

  • 현재 신선도 점수

  • 등급 (SS, S, A, B, C, F)

  • 마지막 업데이트 날짜

  • 업데이트 필요 여부

4. 비즈니스 인사이트

선호도 분석

# 특정 제품/주제에 대한 선호도 분석 analyze_preference_tool( query="스티커 디자인", category="fashion", # 선택사항 age_range="20대 후반", # 선택사항 gender="남성", # 선택사항 location="서울", # 선택사항 limit=20 )

분석 내용:

  • 선호하는 스타일/특성

  • 공통된 선호도 패턴

  • 차별화된 선호도

  • 구체적인 예시 응답

트렌드 인사이트

# 특정 주제의 트렌드 분석 get_trend_insights_tool( topic="키링", persona_filters={ "age_range": "20대", "gender": "여성" }, min_freshness=100 # 최소 신선도 점수 )

응답 검색

# 키워드로 관련 응답 검색 search_responses_tool( keyword="디자인", category="fashion", limit=20 )

5. 페르소나 조회 및 비교

페르소나 상세 조회

get_persona_tool(persona_id="persona_123")

반환 정보:

  • 기본 프로필

  • 페르소나 프로필 (관심사, 성격, 가치관 등)

  • MBTI 분석

  • 통계 정보 (설문 수, 응답 수 등)

페르소나 목록 조회

list_personas_tool( age_range="20대 후반", gender="남성", location="서울", occupation_category="IT/개발", mbti_type="INTJ", min_freshness=200, limit=50 )

페르소나 비교

compare_personas_tool( persona_id1="persona_123", persona_id2="persona_456" )

비교 내용:

  • 기본 프로필 비교

  • MBTI 차이점

  • 관심사 유사도

  • 성격 특성 차이점

6. 통계 및 히스토리

전체 통계

get_statistics_tool()

통계 정보:

  • 전체 페르소나 수

  • 설문 수 및 응답 수

  • MBTI 분포

  • 지역 분포

  • 직업 분포

  • 평균 신선도 점수

설문 히스토리

get_persona_survey_history_tool(persona_id="persona_123")

7. 샘플 데이터 생성

페르소나 생성

generate_sample_personas_tool( count=50, use_llm=True # False면 템플릿 기반 빠른 생성 (비용 없음) )

설문 및 응답 생성

generate_sample_surveys_tool( persona_count=20, responses_per_persona=2, use_llm=True )

전체 샘플 데이터 생성

generate_all_sample_data_tool( persona_count=50, responses_per_persona=2, use_llm=True )

설치 및 설정

1. 의존성 설치

pip install -r requirements.txt

또는 pyproject.toml을 사용하는 경우:

pip install -e .

2. 환경 변수 설정

.env 파일을 프로젝트 루트에 생성하고 다음을 설정하세요:

# Groq API 키 (LLM 기능 사용 시 필수) GROQ_API_KEY=your_groq_api_key_here # 데이터베이스 URL (선택사항, 기본값: sqlite:///data/fgi.db) DATABASE_URL=sqlite:///data/fgi.db # 로그 레벨 (선택사항, 기본값: INFO) LOG_LEVEL=INFO

Groq API 키 발급 방법:

  1. Groq Console에 접속

  2. API Keys 메뉴에서 새 키 생성

  3. .env 파일에 추가

3. 데이터베이스 초기화

서버를 처음 실행하면 자동으로 데이터베이스가 생성됩니다:

python -m src.main

데이터베이스는 data/fgi.db에 생성됩니다 (기본 설정).

⚠️ 중요: 서버 시작 시 기본 프로필 확인

서버가 시작될 때 자동으로 기본 프로필이 설정되어 있는지 확인합니다:

  • 기본 프로필이 없으면 경고 메시지가 표시됩니다

  • 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다

  • 먼저 get_basic_profile_questions_tool()로 질문 목록을 조회하고, update_basic_profile_tool()로 기본 프로필을 저장해야 합니다

4. 서버 실행

직접 실행

python -m src.main

MCP 클라이언트에서 사용

MCP 클라이언트(Cursor AI, Claude Desktop 등)에서 설정하여 사용합니다.

사용 방법

Cursor AI에서 사용하기

  1. Cursor 설정 열기

    • Cmd + , (Mac) 또는 Ctrl + , (Windows/Linux)

    • "MCP" 검색

  2. MCP 서버 설정 추가

    설정 파일에 다음을 추가:

    { "mcpServers": { "persona-server": { "command": "python3", "args": ["-m", "src.main"], "cwd": "/Users/seodong-ug/Desktop/persona_mcp" } } }

    주의: cwd 경로를 실제 프로젝트 경로로 변경하세요.

  3. Cursor 재시작

    • Cursor를 완전히 종료 후 다시 시작

  4. 사용하기

    • 채팅에서 "페르소나 목록 조회해줘" 같은 자연어 명령 사용

    • 또는 직접 도구 호출

Claude Desktop에서 사용하기

claude_desktop_config.json 파일에 다음을 추가:

{ "mcpServers": { "persona-server": { "command": "python3", "args": ["-m", "src.main"], "cwd": "/Users/seodong-ug/Desktop/persona_mcp" } } }

API 도구 목록

기본 관리

도구명

설명

필수 파라미터

health

서비스 상태 확인

없음

get_tool_definitions

사용 가능한 도구 목록 조회

없음

페르소나 관리

도구명

설명

필수 파라미터

get_basic_profile_questions_tool

기본 프로필 질문 목록 조회

없음

check_basic_profile_tool

기본 프로필 완전성 확인

없음 (persona_id 선택)

update_basic_profile_tool

기본 프로필 업데이트

persona_id, profile_data

predict_persona_tool

설문 응답 기반 페르소나 예측

responses

get_persona_tool

페르소나 상세 조회

persona_id

list_personas_tool

페르소나 목록 조회

없음 (필터 옵션)

compare_personas_tool

두 페르소나 비교

persona_id1, persona_id2

check_freshness_tool

신선도 점수 확인

persona_id

FGI 설문

도구명

설명

필수 파라미터

create_fgi_survey_tool

설문 시작

category

generate_next_question_tool

다음 질문 동적 생성

survey_id, previous_qa

submit_fgi_response_tool

응답 제출

persona_id, survey_id, responses

get_persona_survey_history_tool

설문 히스토리 조회

persona_id

인사이트 및 분석

도구명

설명

필수 파라미터

analyze_preference_tool

선호도 분석

query

get_trend_insights_tool

트렌드 인사이트

topic

search_responses_tool

응답 검색

keyword

get_statistics_tool

전체 통계 조회

없음

샘플 데이터

도구명

설명

필수 파라미터

generate_sample_personas_tool

샘플 페르소나 생성

없음 (옵션)

generate_sample_surveys_tool

샘플 설문 생성

없음 (옵션)

generate_all_sample_data_tool

전체 샘플 데이터 생성

없음 (옵션)

데이터 모델

Persona (페르소나)

{ "id": "persona_123", # 고유 ID "user_id": "user_123", # 사용자 ID (선택사항) "freshness_score": 250.0, # 신선도 점수 "last_updated": "2024-01-15T10:30:00", # 마지막 업데이트 "created_at": "2024-01-10T09:00:00", # 생성일시 # 기본 프로필 "age_range": "20대 후반", "gender": "남성", "location": "서울", "occupation_category": "IT/개발", "income_range": "300-500만원", # 심층 페르소나 프로필 "interests": ["프로그래밍", "AI", "게임"], "personality_traits": ["논리적", "호기심 많음"], "values": ["성장", "자유"], "lifestyle": "주말에는 코딩과 게임을 즐기는 개발자", # MBTI 분석 "mbti_type": "INTJ", "mbti_dimensions": { "E_I": "내향(I) - 혼자 있을 때 에너지를 얻음", "S_N": "직관(N) - 미래와 가능성에 집중", "T_F": "사고(T) - 논리와 객관성 중시", "J_P": "판단(J) - 계획과 체계 선호" }, "mbti_confidence": 85 # 0-100 }

FGISurvey (설문)

{ "id": "survey_123", "category": "technology", "questions": [ { "id": "q1", "text": "요즘 기술 분야에서 가장 관심있는 주제는?", "type": "open" } ], "created_at": "2024-01-15T10:00:00", "news_source": null # 선택사항 }

FGIResponse (응답)

{ "id": "response_123", "persona_id": "persona_123", "survey_id": "survey_123", "responses": [ { "question_id": "q1", "answer": "AI와 머신러닝에 관심이 많아요" } ], "submitted_at": "2024-01-15T10:30:00" }

사용 예제

예제 1: 새로운 페르소나 생성 및 설문 진행

# 1. 기본 프로필 질문 목록 조회 questions = get_basic_profile_questions_tool() # 반환 예시: # { # "questions": { # "age_range": {"text": "나이대를 선택해주세요", "type": "choice", "options": [...]}, # "gender": {"text": "성별을 선택해주세요", "type": "choice", "options": [...]}, # ... # } # } # 2. 사용자에게 질문하고 답변 수집 (예시) # 실제로는 UI나 채팅 인터페이스에서 사용자에게 질문을 제시하고 답변을 받습니다. # 3. 수집한 답변으로 기본 프로필 설정 update_basic_profile_tool( persona_id="persona_new_001", profile_data={ "age_range": "20대 후반", # questions["questions"]["age_range"]["options"] 중 하나 "gender": "남성", # questions["questions"]["gender"]["options"] 중 하나 "location": "서울", # questions["questions"]["location"]["options"] 중 하나 "occupation_category": "IT/개발" # questions["questions"]["occupation_category"]["options"] 중 하나 # income_range는 선택사항이므로 생략 가능 } ) # 4. 기술 카테고리 설문 시작 survey = create_fgi_survey_tool( category="technology", persona_id="persona_new_001" ) # 5. 첫 번째 질문에 답변 submit_fgi_response_tool( persona_id="persona_new_001", survey_id=survey["survey_id"], responses=[ { "question_id": survey["questions"][0]["id"], "answer": "AI와 머신러닝에 관심이 많아요. 최근 ChatGPT 같은 생성형 AI가 정말 흥미롭습니다." } ] ) # 6. 다음 질문 생성 next_q = generate_next_question_tool( survey_id=survey["survey_id"], previous_qa=[ { "question": survey["questions"][0]["text"], "answer": "AI와 머신러닝에 관심이 많아요..." } ], category="technology" ) # 7. 계속 질문-답변 반복... # 8. 최종적으로 페르소나 예측 persona = predict_persona_tool( responses=[ {"question_id": "q1", "answer": "..."}, {"question_id": "q2", "answer": "..."} ] )

예제 2: 특정 제품에 대한 선호도 분석

# 스티커 디자인에 대한 20대 여성들의 선호도 분석 preference = analyze_preference_tool( query="스티커 디자인", category="fashion", age_range="20대", gender="여성", location="서울", limit=30 ) # 결과에서 인사이트 확인 print(preference["insights"]) # - "미니멀하고 깔끔한 디자인 선호" # - "캐릭터 스티커 인기" # - "패스텔 톤 색상 선호"

예제 3: 트렌드 인사이트 조회

# 키링 트렌드 분석 trends = get_trend_insights_tool( topic="키링", persona_filters={ "age_range": "20대", "gender": "여성" }, min_freshness=150 ) # 트렌드 요약 확인 print(trends["summary"])

예제 4: 샘플 데이터로 빠른 테스트

# 50개의 샘플 페르소나 생성 (LLM 사용) generate_sample_personas_tool(count=50, use_llm=True) # 20명의 페르소나에 대해 각각 2개의 설문 응답 생성 generate_sample_surveys_tool( persona_count=20, responses_per_persona=2, use_llm=True ) # 또는 한 번에 모든 샘플 데이터 생성 generate_all_sample_data_tool( persona_count=50, responses_per_persona=2, use_llm=False # 빠른 템플릿 기반 생성 (비용 없음) )

예제 5: 페르소나 비교 및 통계

# 두 페르소나 비교 comparison = compare_personas_tool( persona_id1="persona_123", persona_id2="persona_456" ) # 유사점과 차이점 확인 print(comparison["similarities"]) print(comparison["differences"]) # 전체 통계 조회 stats = get_statistics_tool() print(f"전체 페르소나 수: {stats['total_personas']}") print(f"평균 신선도: {stats['avg_freshness']}") print(f"MBTI 분포: {stats['mbti_distribution']}")

기술 스택

  • FastMCP: MCP 프로토콜 구현 프레임워크

  • SQLAlchemy: ORM 및 데이터베이스 관리

  • Groq API: LLM 기반 분석 및 생성

  • Pydantic: 데이터 검증 및 직렬화

  • Python-dotenv: 환경 변수 관리

  • SQLite: 기본 데이터베이스 (PostgreSQL 등으로 변경 가능)

프로젝트 구조

persona_mcp/ ├── src/ │ ├── main.py # MCP 서버 메인 파일 │ ├── db/ │ │ ├── database.py # 데이터베이스 연결 및 세션 관리 │ │ └── models.py # SQLAlchemy 모델 정의 │ ├── tools/ │ │ └── persona/ │ │ ├── fgi_tools.py # FGI 설문 관련 도구 │ │ ├── predict.py # 페르소나 예측 │ │ ├── freshness.py # 신선도 관리 │ │ ├── insights.py # 인사이트 분석 │ │ ├── query.py # 페르소나 조회 │ │ └── sample_data.py # 샘플 데이터 생성 │ └── utils/ │ ├── cache.py # 캐싱 시스템 │ └── credentials.py # API 키 관리 ├── data/ │ └── fgi.db # SQLite 데이터베이스 ├── cache/ # 캐시 파일 저장소 ├── requirements.txt # Python 의존성 ├── pyproject.toml # 프로젝트 설정 └── README.md # 이 파일

주의사항

  1. Groq API 키: LLM 기능을 사용하려면 Groq API 키가 필요합니다. 키가 없어도 기본적인 CRUD 작업은 가능하지만, 페르소나 예측이나 동적 질문 생성은 불가능합니다.

  2. 신선도 점수: 신선도 점수는 시간이 지남에 따라 자동으로 감소합니다. 정기적으로 설문을 진행하여 데이터를 업데이트하는 것이 좋습니다.

  3. 캐싱: 선호도 분석, 트렌드 인사이트 등은 캐싱되어 12시간 동안 재사용됩니다. 실시간 데이터가 필요한 경우 캐시를 무시하도록 수정할 수 있습니다.

  4. 데이터베이스: 기본적으로 SQLite를 사용하지만, DATABASE_URL 환경 변수를 변경하여 PostgreSQL, MySQL 등 다른 데이터베이스를 사용할 수 있습니다.

라이선스

이 프로젝트의 라이선스 정보를 여기에 추가하세요.

기여하기

이슈나 풀 리퀘스트를 환영합니다!

문의

문제가 발생하거나 질문이 있으시면 이슈를 생성해주세요.

This server cannot be installed

-
security - not tested
F
license - not found
-
quality - not tested

How are these scores calculated?

Resources

New MCP Servers

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/SeoNaRu/persona-mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server