Berghain Events MCP Server

Berghain Events API & MCP-Implementierung

Projektstruktur

Anforderungen

• Python 3.10+
• uv (für Abhängigkeitsmanagement und virtuelle Umgebung)
• AWS-Konto (für DynamoDB und App Runner)
• Firecrawl-API-Schlüssel

Einrichtung

1. Klonen Sie dieses Repository:
   git clone <repository-url> cd berghain-api
2. Erstellen und aktivieren Sie eine virtuelle Umgebung mit uv :
   uv venv source .venv/bin/activate # En Linux/macOS # .venv\\Scripts\\activate # En Windows
3. Installieren Sie Abhängigkeiten mit uv :
   uv pip install -r requirements.txt

Detaillierter Prozess

1. Datenextraktion mit Firecrawl

• Firecrawl MCP auf Cursor einstellen: Stellen Sie sicher, dass Sie Ihren Firecrawl-API-Schlüssel haben. Fügen Sie in der Cursor-MCP-Konfiguration Folgendes hinzu:
  "firecrawl-mcp": { "command": "npx", "args": [ "-y", "firecrawl-mcp" ], "env": { "FIRECRAWL_API_KEY": "fc-YOUR_FIRECRAWL_API_KEY" } }
• Führen Sie die Extraktion aus: Verwenden Sie einen Agenten in Cursor (oder einem ähnlichen Tool), um das Firecrawl MCP aufzurufen und es aufzufordern, Ereignisse von https://www.berghain.berlin/en/program/ zu extrahieren.
• Daten speichern: Die extrahierten Daten sollten als JSON-Dateien im Verzeichnis events/ gespeichert werden. Beispiel: events/berghain_events_YYYY-MM-DD.json .

2. Daten in DynamoDB laden

• Erstellen Sie die Tabelle in DynamoDB: Das Skript scripts/create_table.py kümmert sich darum. Führen Sie es aus (passen Sie die Parameter gegebenenfalls an):
  uv run python scripts/create_table.py --table berghain_events --region tu-region-aws # Para desarrollo local con DynamoDB Local (ej. docker run -p 8000:8000 amazon/dynamodb-local): # uv run python scripts/create_table.py --table berghain_events --region localhost --endpoint-url http://localhost:8000
• Daten in die Tabelle laden: Das Skript scripts/load_data.py lädt Ereignisse aus JSON-Dateien.
  uv run python scripts/load_data.py --table berghain_events --region tu-region-aws --path events # Para desarrollo local: # uv run python scripts/load_data.py --table berghain_events --region localhost --endpoint-url http://localhost:8000 --path events
  Stellen Sie sicher, dass app/core/config.py (importiert von load_data.py ) über die erforderlichen Konfigurationen verfügt, wenn Sie diese nicht als Argumente übergeben.

3. API mit FastAPI und MCP Server

• Die API-Logik befindet sich im Verzeichnis app/ , wobei die Endpunkte definiert sind (z. B. in app/api/endpoints/events.py ).
• Die Datei app/main.py ist so konfiguriert, dass die FastAPI-Anwendung und der FastMCP-Server gestartet werden und die API-Endpunkte als Tools für KI-Modelle verfügbar gemacht werden. Überprüfen Sie die custom_maps in app/main.py um zu sehen, wie GET-Routen RouteType.TOOL zugeordnet werden.

Bereitstellung auf AWS

Zu. Dockerfile

Stellen Sie sicher, dass Ihr Dockerfile richtig für die Verwendung uv konfiguriert ist und führen Sie app/main.py aus:

B. Erstellen und Hochladen eines Images in Amazon ECR (Elastic Container Registry)

1. Docker mit ECR authentifizieren:
   aws ecr get-login-password --region tu-region-aws | docker login --username AWS --password-stdin tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com
2. Erstellen Sie ein Repository in ECR (falls es nicht vorhanden ist):
   aws ecr create-repository --repository-name berghain-mcp-api --region tu-region-aws
3. Erstellen Sie Ihr Docker-Image:
   docker build -t berghain-mcp-api .
4. Markieren Sie Ihr Bild:
   docker tag berghain-mcp-api:latest tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest
5. Laden Sie das Bild zu ECR hoch:
   docker push tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest
   Ersetzen Sie tu-region-aws und tu-aws-account-id durch Ihre Werte.

C. Bereitstellen der Infrastruktur mit Terraform

1. Bereiten Sie Ihre Terraform-Dateien vor: Stellen Sie sicher, dass Sie Ihre Terraform-Konfigurationsdateien (z. B. main.tf , variables.tf , outputs.tf ) in einem Verzeichnis (z. B. terraform/ ) haben. Diese Dateien sollten die erforderlichen AWS-Ressourcen definieren, z. B. den AWS App Runner-Dienst, den das ECR-Image verwenden wird, und die DynamoDB-Tabelle (sofern sie auch von Terraform verwaltet wird). Ihre App Runner-Konfiguration in Terraform muss auf das in ECR hochgeladene Bild verweisen.
2. Navigieren Sie zum Terraform-Verzeichnis:
   cd terraform
3. Terraform initialisieren:
   terraform init
4. Wenden Sie die Terraform-Konfiguration an:
   terraform apply
   Überprüfen Sie den Plan und bestätigen Sie die Anwendung. Terraform stellt die Ressourcen bereit.
5. Holen Sie sich die Service-URL: Nach der Anwendung sollte Terraform die definierten Ausgaben anzeigen, einschließlich der App Runner-Service-URL. Notieren Sie sich diese URL (z. B. https://<id-servicio>.<region>.awsapprunner.com ).

Testen der bereitgestellten Lösung

Zu. Lokales Testskript anpassen ( mcp_local.py )

Legen Sie die Datei mcp_local.py im Stammverzeichnis Ihres Projekts fest

Wichtig: Aktualisieren Sie die Variable mcp_server_url in mcp_local.py mit der URL, die Sie aus der Terraform-Ausgabe erhalten haben.

B. Test ausführen

Vom Stammverzeichnis Ihres Projekts (oder wo auch immer Sie mcp_local.py gespeichert haben):

Dadurch wird der PydanticAI-Agent ausgeführt, der versucht, eine Verbindung zu Ihrem bereitgestellten MCP herzustellen und die Abfrage auszuführen.

Lizenz

MIT