DevEnvInfoServer - Servidor MCP de cursor para información del entorno de desarrollo

Este proyecto implementa un servidor de Protocolo de Contexto de Modelo (MCP) de Cursor que proporciona información detallada sobre el entorno de desarrollo al editor de código de Cursor. Al aprovechar este servidor, el agente inteligente de Cursor puede comprender mejor la configuración del sistema, las herramientas instaladas y los procesos en ejecución, lo que permite una asistencia más contextual y útil.

Características

Este servidor MCP proporciona las siguientes categorías de información sobre su entorno de desarrollo:

• Información del sistema:
  • Detalles de la versión del sistema operativo y la plataforma
  • Detalles del hardware (procesador, máquina, arquitectura del sistema)
  • Versiones y ubicaciones de Python
  • Gestores de paquetes instalados (brew, npm, pip, yarn, uv, conda) y sus versiones
  • Información del entorno virtual (entornos detectados y entorno activo)
  • Configuración regional y zona horaria del sistema
  • Las 20 variables ambientales principales
  • Shells disponibles (bash, zsh, fish, sh, powershell, cmd.exe)
  • Configuraciones de red y firewall simplificadas (dependiendo del sistema operativo)
• Detalles del entorno de desarrollo:
  • Compiladores e intérpretes instalados (gcc, clang, javac, node, ruby, perl, php, ghc, rustc, go)
  • Núcleos Jupyter y contenedores en ejecución (Docker, Podman)
  • Máquinas virtuales (Hyper-V, VMware, VirtualBox)
  • Información sobre GPU y CUDA (GPU NVIDIA y versión del compilador CUDA)
  • Procesos y servicios de desarrollo de alto rendimiento
• Información específica de Python:
  • Paquetes de Python instalados (pip, conda, poetry, pyenv)
  • Ubicaciones de los paquetes del sitio de Python
  • Entornos de Python activos
• Detalles del administrador de paquetes:
  • Paquetes instalados de Homebrew (MacOS y Linux)
  • Paquetes globales (npm, yarn, cadena de herramientas Rust, entorno Go)
• Configuración y archivos de puntos:
  • Archivos de configuración de shell (.bashrc, .zshrc, .profile, .bash_profile, .config/fish/config.fish)
  • Configuraciones de Git, NPM y editor (VSCode, JetBrains, Neovim)
  • Alias de shell, funciones y scripts personalizados (desde archivos de configuración de shell)
• Aplicaciones instaladas:
  • IDE y extensiones instaladas (VSCode, JetBrains, Vim, Emacs)
  • Aplicaciones instaladas en el sistema (lista simplificada)
• Rendimiento del sistema y del hardware (métricas simplificadas):
  • Promedio de carga de CPU
  • Configuraciones de administración de energía y batería
  • Sensores de temperatura y velocidades del ventilador
• Red y seguridad (simplificado):
  • Ejecución de servicios de red y puertos abiertos
  • Configuración de VPN y proxy
  • Claves SSH y conexiones activas
  • Registros y reglas de firewall simplificados
• Contenerización y virtualización:
  • WSL (Subsistema de Windows para Linux)
  • Docker y Kubernetes (kubectl)
  • Vagabundo
  • Máquinas virtuales (Hyper-V, VMware, VirtualBox)
• Herramientas y lenguajes de desarrollo:
  • Lenguajes de desarrollo instalados (Rust, Node.js, Perl, Ruby, PHP, Haskell)
  • Herramientas de gestión de versiones (nvm, rbenv, rustup, pyenv)
• Depuración y monitorización del rendimiento:
  • Promedios de carga, uso de memoria, cuellos de botella de E/S, utilización de GPU
  • Herramientas de depuración disponibles (lldb, gdb, strace, dtrace)
• Control de versiones y CI/CD:
  • Configuración de Git y orígenes remotos
  • Archivos de configuración de canalización de CI/CD (tipos comunes)
• Desarrollo en la nube y remoto:
  • Configuraciones SSH y sesiones remotas activas
  • SDK en la nube (AWS, GCP, Azure, DigitalOcean)
  • Entornos de ejecución remota de código (GitHub Codespaces, Gitpod)
• Ejecución y depuración de código:
  • Sesiones de depuración activas (comprobación básica)
  • Herramientas de depuración instaladas (lldb, gdb, xdebug, pdb)
• Sistemas de compilación y gestión de dependencias:
  • Herramientas de compilación instaladas (Make, CMake, Bazel, Ninja)
  • Archivos de dependencia detectados (requirements.txt, package.json, Cargo.toml, etc.)
  • Compiladores instalados (gcc, clang, javac)
• Infraestructura y herramientas DevOps:
  • Configuración local de Kubernetes
  • Herramientas DevOps (Terraform, Pulumi)
  • Bases de datos locales y servicios en ejecución (comprobación simplificada de servicios de bases de datos comunes)
• Pruebas y garantía de calidad:
  • Marcos de prueba instalados (pytest, Jest, Mocha)
  • Linters y formateadores de código (flake8, pylint, eslint, prettier)
• Aprendizaje automático y desarrollo de IA:
  • Información sobre GPU y CUDA
  • Estado de PyTorch y TensorFlow (instalación y disponibilidad de GPU)
• Desarrollo integrado / IoT:
  • SDK integrados instalados (Arduino, ESP-IDF, herramientas Raspberry Pi)
  • Dispositivos conectados y puertos serie (lista simplificada de puertos serie)
• Mejoras de productividad y flujo de trabajo:
  • Alias de shell, funciones y scripts personalizados
  • Análisis del historial de Shell (básico: últimas 20 líneas del historial)
  • Automatización en segundo plano y programación de tareas (comprobación simplificada de tareas programadas/cron)

Cómo funciona

Este servidor está construido utilizando el Protocolo de Contexto de Modelo (MCP) y funciona de la siguiente manera:

1. Protocolo MCP: Implementa el protocolo de servidor MCP, lo que permite que Cursor se comunique con él para descubrir y utilizar sus capacidades.
2. Transporte stdio: el servidor utiliza el transporte stdio , lo que significa que se comunica con Cursor a través de flujos de entrada y salida estándar.
3. Recopilación de información: cuando el agente de Cursor solicita información, este servidor ejecuta varios comandos del sistema (utilizando subprocess ) y bibliotecas de Python ( platform , os , sys , psutil , pyserial , etc.) para recopilar datos sobre su entorno de desarrollo.
4. Acceso basado en herramientas: Cada categoría de información se expone como una herramienta dentro del servidor MCP. El agente de Cursor puede entonces llamar a estas herramientas para recuperar información específica.
5. Salida de Markdown (opcional): el servidor puede generar opcionalmente un archivo Markdown ( development_environment_info.md ) que contenga toda la información recopilada para facilitar su revisión y depuración.
6. Integración de Cursor: Cursor, actuando como un cliente MCP, puede conectarse a este servidor y utilizar automáticamente las herramientas proporcionadas para mejorar su comprensión de su contexto de desarrollo.

Instalación

Para instalar y ejecutar este servidor MCP, siga estos pasos:

1. Clonar el repositorio:
   git clone https://github.com/carterlasalle/system_information_mcp.git cd system_information_mcp
2. Crear un entorno virtual de Python (recomendado):
   python -m venv venv
3. Activar el entorno virtual:
   • En Linux/macOS:
     source venv/bin/activate
   • En Windows:
     venv\Scripts\activate
4. Dependencias de instalación:
   pip install -r requirements.txt

Configuración del cursor

Para conectar este servidor MCP a Cursor, debe configurarlo dentro de la configuración de Cursor:

1. Abrir la configuración del cursor: vaya a Cursor Settings > Features > MCP .
2. Agregar nuevo servidor MCP: haga clic en el botón + Add New MCP Server .
3. Configurar servidor: Complete el formulario con los siguientes detalles:
   • Tipo: stdio
   • Nombre: DevEnvInfoServer (o cualquier nombre que prefieras)
   • Comando: Introduzca el comando para ejecutar el servidor. Si se encuentra en el directorio system_information_mcp y ha activado el entorno virtual, puede usar:
     python claudemcp.py
     Nota: Si python no está en la ruta de acceso de su sistema o si utiliza un ejecutable específico de Python, es posible que deba proporcionar la ruta completa a su intérprete de Python seguida de la ruta a claudemcp.py . Por ejemplo:
     /path/to/your/python venv/bin/python claudemcp.py
4. Agregar servidor: haga clic en el botón "Agregar servidor".
5. Actualizar lista de herramientas (opcional): es posible que deba presionar manualmente el botón actualizar en la esquina superior derecha de la lista de servidores MCP en Cursor para completar la lista de herramientas.

El servidor DevEnvInfoServer ahora debería aparecer en su lista de servidores MCP en Cursor, y sus herramientas deberían estar disponibles para el Agente en Composer.

Uso en Cursor

Una vez configurado, el Agente de Cursor aprovechará automáticamente las herramientas proporcionadas por DevEnvInfoServer cuando las considere relevantes para sus solicitudes.

• Uso automático de herramientas: Al interactuar con el Agente de Cursor en Composer, este decidirá de forma inteligente si se necesita información sobre su entorno de desarrollo para responder a sus preguntas o atender sus solicitudes. De ser así, utilizará automáticamente las herramientas proporcionadas por este servidor en segundo plano.
• Indicación intencional de herramientas: También puede indicarle explícitamente al agente que use estas herramientas, haciendo referencia a ellas por su nombre o descripción en sus indicaciones. Por ejemplo, podría preguntar:
  • "¿Qué paquetes de Python están instalados en mi entorno actual?"
  • "Enumere los shells disponibles en mi sistema usando las herramientas DevEnvInfoServer".
• Aprobación de herramientas: Por defecto, Cursor solicitará su aprobación antes de ejecutar cualquier herramienta MCP. Puede revisar los argumentos de la llamada a la herramienta antes de aprobarla.
• Modo YOLO (opcional): Si prefiere la ejecución automática de herramientas sin solicitudes de aprobación, puede habilitar el "Modo YOLO" en la configuración de MCP de Cursor. Use este modo con precaución, ya que permite la ejecución automática de herramientas MCP.

El cursor mostrará las respuestas de las herramientas DevEnvInfoServer directamente en el chat, proporcionándole la información del entorno de desarrollo solicitada.