Este repositorio contiene una implementación de servidor de plano de control de modelo (MCP) que admite servicios OpenAI, análisis de repositorios Git, operaciones de sistemas de archivos locales e integración de Prometheus.
Python 3.8+
API rápida
Uvicornio
Kit de desarrollo de software de OpenAI
GitPython
Solicitudes
Docker y Docker Compose (para las funciones de Prometheus)
Clonar este repositorio
Instalar las dependencias:
Establezca las siguientes variables de entorno:
Para Azure OpenAI:
Para OpenAI estándar:
Para Prometeo:
Inicie el servidor MCP:
O para más opciones:
El servidor estará disponible en http://localhost:8000 .
Proporcionamos un script de prueba unificado que le brinda una interfaz fácil de usar para todas las funciones de prueba:
Este script interactivo proporciona:
Pruebas del sistema de archivos
Pruebas de integración de Git
Herramientas de análisis de memoria
Pruebas de Prometeo y estrés de la memoria
Gestión de servidores MCP
Configuración del entorno
También puedes ejecutar pruebas individuales directamente:
Pruebe la integración de OpenAI:
Pruebe la integración de Git (proporcione una URL del repositorio de Git):
Pruebe la funcionalidad de diferencias de Git (analice la compatibilidad de requisitos):
Pruebe la funcionalidad del sistema de archivos:
Pruebe la integración de langflow con MCP:
Pruebe la integración de Prometheus:
Para un análisis más avanzado del repositorio Git con recomendaciones de IA:
También puedes buscar patrones específicos en el repositorio:
O analice la última diferencia de confirmación con información de IA:
MCP incluye varias herramientas para la monitorización y análisis de la memoria:
También puedes simular la presión de la memoria para realizar pruebas:
Inicie la pila Prometheus usando Docker Compose:
Esto comenzará:
Servidor Prometheus (accesible en http://localhost:9090 )
Exportador de nodos (para métricas del host)
cAdvisor (para métricas de contenedores)
Para realizar pruebas de estrés, puede iniciar el contenedor de estrés de memoria:
O utilice el script de prueba del contenedor:
Este proyecto incluye múltiples configuraciones de Docker y scripts de reinicio para un funcionamiento confiable en diferentes entornos:
Configuración estándar ( docker-compose.yml ): utiliza Dockerfiles personalizados para Prometheus y Langflow para garantizar permisos consistentes en todos los sistemas.
Configuración de red de puente ( docker-compose.bridge.yml ): configuración alternativa que utiliza redes de puente para entornos donde la red del host es problemática.
El proyecto utiliza Dockerfiles personalizados tanto para Prometheus como para Langflow para resolver problemas de permisos comunes:
Dockerfile.prometheus : configura la configuración de Prometheus con los permisos adecuados para el usuario nobody .
Dockerfile.langflow : copia el directorio de componentes en el contenedor sin cambiar la propiedad del archivo, lo que permite que Langflow acceda a los componentes sin errores de permiso.
Este enfoque elimina la necesidad de realizar montajes de volumen que pueden generar conflictos de permisos entre diferentes máquinas y configuraciones de usuario.
Restablecer todos los servicios ( reset-all.sh ): restablece todos los contenedores con un solo comando.
Reinicio de servicio individual :
Estos scripts garantizan que los contenedores estén configurados correctamente con los permisos correctos y los últimos cambios de código.
Si encuentra problemas de permisos:
Utilice los scripts de reinicio para reconstruir los contenedores
Verifique los registros con docker compose logs <service_name>
Asegúrese de que todos los componentes agregados a Langflow estén incluidos en Dockerfile.langflow
Al implementar en una nueva máquina:
Clonar el repositorio
Hacer que los scripts de reinicio sean ejecutables: chmod +x *.sh
Ejecute el script de reinicio: ./reset-all.sh
Los Dockerfiles personalizados manejan automáticamente todos los problemas de permisos que puedan ocurrir en diferentes sistemas.
La clase MCPAIComponent incluye capacidades de Prometheus:
Uso de CPU: rate(node_cpu_seconds_total{mode!="idle"}[1m])
Uso de memoria: node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes
Uso del disco: node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"}
Uso de CPU del contenedor: rate(container_cpu_usage_seconds_total[1m])
Uso de memoria del contenedor: container_memory_usage_bytes
GET /v1/models - Lista todos los modelos disponibles
GET /v1/models/{model_id} - Obtener información sobre un modelo específico
POST /v1/models/azure-gpt-4/completion - Generar la finalización de texto con Azure OpenAI
POST /v1/models/azure-gpt-4/chat - Generar una respuesta de chat con Azure OpenAI
POST /v1/models/openai-gpt-chat/chat - Generar una respuesta de chat usando el modelo de chat de OpenAI
POST /v1/models/openai-gpt-completion/completion - Generar la finalización de texto utilizando el modelo de finalización de OpenAI
POST /v1/models/git-analyzer/analyze - Analizar un repositorio Git
POST /v1/models/git-analyzer/search - Busca en un repositorio Git archivos que coincidan con un patrón
POST /v1/models/git-analyzer/diff - Obtener la diferencia de la última confirmación en un repositorio
POST /v1/models/filesystem/list - Lista el contenido de un directorio
POST /v1/models/filesystem/read - Leer el contenido de un archivo
POST /v1/models/filesystem/read-multiple - Leer varios archivos a la vez
POST /v1/models/filesystem/write - Escribe contenido en un archivo
POST /v1/models/filesystem/edit - Editar un archivo con múltiples reemplazos
POST /v1/models/filesystem/mkdir - Crear un directorio
POST /v1/models/filesystem/move - Mover un archivo o directorio
POST /v1/models/filesystem/search - Busca archivos que coincidan con un patrón
POST /v1/models/filesystem/info - Obtener información sobre un archivo o directorio
POST /v1/models/prometheus/query - Ejecutar una consulta instantánea
POST /v1/models/prometheus/query_range - Ejecutar una consulta de rango
POST /v1/models/prometheus/series - Obtener datos de la serie
GET /v1/models/prometheus/labels - Obtener todas las etiquetas disponibles
POST /v1/models/prometheus/label_values - Obtener valores para una etiqueta específica
GET /v1/models/prometheus/targets - Obtener todos los objetivos
GET /v1/models/prometheus/rules - Obtener todas las reglas
GET /v1/models/prometheus/alerts - Obtener todas las alertas
Puede utilizar MCPAIComponent en sus pipelines LangFlow proporcionando la URL del servidor MCP:
Para un análisis de Git más estructurado, puede utilizar la clase GitCodeAnalyzer :
Verifique que Prometheus se esté ejecutando: docker ps | grep prometheus
Comprueba que puedes acceder a la interfaz de usuario de Prometheus: http://localhost:9090
Verifique que el servidor MCP esté en ejecución y sea accesible
Verifique los registros del servidor MCP para detectar errores
Pruebe primero consultas simples para verificar la conectividad (por ejemplo, consulta up )
Verifique que sus claves API estén configuradas correctamente
Compruebe si hay problemas de limitación de velocidad o de cuota
Verifique que esté utilizando modelos compatibles con su clave API
Asegúrese de que la URL del repositorio de Git sea accesible
Compruebe si hay problemas de autenticación si utiliza repositorios privados
Asegúrese de que GitPython esté instalado correctamente
This server cannot be installed
hybrid server
The server is able to function both locally and remotely, depending on the configuration or use case.
Una implementación de servidor que proporciona una interfaz unificada para servicios OpenAI, análisis de repositorios Git y operaciones del sistema de archivos local a través de puntos finales de API REST.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/dvladimirov/MCP'
If you have feedback or need assistance with the MCP directory API, please join our Discord server