mcp-сервер-llmling

Лицензия PyPI Статус посылки Ежедневные загрузки Еженедельные загрузки Ежемесячные загрузки Формат распространения Наличие колес Версия Python Выполнение Релизы Участники Github Обсуждения на Github Форки Github Проблемы с Github Наблюдатели Github Звезды Github Размер репозитория Github Последний коммит Github Дата релиза на Github Количество языков Github Github зафиксирует изменения на этой неделе Github зафиксирует изменения в этом месяце Статус посылки Стиль кода: черный PyUp

Прочитайте документацию!

Руководство сервера LLMling

Обзор

mcp-server-llmling — это сервер для протокола Machine Chat Protocol (MCP), который предоставляет систему конфигурации на основе YAML для приложений LLM.

LLMLing , бэкэнд, предоставляет систему конфигурации на основе YAML для приложений LLM. Она позволяет настраивать пользовательские серверы MCP, обслуживающие контент, определенный в файлах YAML.

Статическое объявление : определите среду LLM в YAML — код не требуется
Протокол MCP : построен на протоколе машинного чата (MCP) для стандартизированного взаимодействия LLM
Типы компонентов :
- Ресурсы : поставщики контента (файлы, текст, вывод CLI и т. д.)
- Подсказки : Шаблоны сообщений с аргументами
- Инструменты : Функции Python, вызываемые LLM

Конфигурация YAML создает полную среду, которая предоставляет LLM:

Доступ к контенту через ресурсы
Структурированные подсказки для последовательного взаимодействия
Инструменты для расширения возможностей

Related MCP server: @lex-tools/codebase-context-dumper

Основные характеристики

1. Управление ресурсами

Загрузка и управление различными типами ресурсов:
- Текстовые файлы ( PathResource )
- Необработанный текстовый контент ( TextResource )
- Вывод команды CLI ( CLIResource )
- Исходный код Python ( SourceResource )
- Вызываемые результаты Python ( CallableResource )
- Изображения ( ImageResource )
Поддержка наблюдения за ресурсами/горячей перезагрузки
Конвейеры обработки ресурсов
Доступ к ресурсам на основе URI

2. Система инструментов

Регистрация и выполнение функций Python как инструментов LLM
Поддержка инструментов на базе OpenAPI
Обнаружение инструмента на основе точки входа
Проверка инструмента и параметров
Структурированные ответы инструмента

3. Оперативное управление

Статические подсказки с поддержкой шаблонов
Динамические подсказки из функций Python
Подсказки на основе файлов
Быстрая проверка аргументов
Предложения по завершению для быстрых аргументов

4. Несколько вариантов транспортировки

Связь на основе stdio (по умолчанию)
События, отправленные сервером (SSE) / Потоковый HTTP для веб-клиентов
Поддержка пользовательских реализаций транспорта

Использование

С редактором Zed

Добавьте LLMLing в качестве сервера контекста в ваш settings.json :

{ "context_servers": { "llmling": { "command": { "env": {}, "label": "llmling", "path": "uvx", "args": [ "mcp-server-llmling", "start", "path/to/your/config.yml" ] }, "settings": {} } } }

С Клодом Десктопом

Настройте LLMLing в claude_desktop_config.json :

{ "mcpServers": { "llmling": { "command": "uvx", "args": [ "mcp-server-llmling", "start", "path/to/your/config.yml" ], "env": {} } } }

Ручной запуск сервера

Запустите сервер прямо из командной строки:

# Latest version uvx mcp-server-llmling@latest

1. Программное использование

from llmling import RuntimeConfig from mcp_server_llmling import LLMLingServer async def main() -> None: async with RuntimeConfig.open(config) as runtime: server = LLMLingServer(runtime, enable_injection=True) await server.start() asyncio.run(main())

2. Использование специального транспорта

from llmling import RuntimeConfig from mcp_server_llmling import LLMLingServer async def main() -> None: async with RuntimeConfig.open(config) as runtime: server = LLMLingServer( config, transport="sse", transport_options={ "host": "localhost", "port": 3001, "cors_origins": ["http://localhost:3000"] } ) await server.start() asyncio.run(main())

3. Конфигурация ресурсов

resources: python_code: type: path path: "./src/**/*.py" watch: enabled: true patterns: - "*.py" - "!**/__pycache__/**" api_docs: type: text content: | API Documentation ================ ...

4. Конфигурация инструмента

tools: analyze_code: import_path: "mymodule.tools.analyze_code" description: "Analyze Python code structure" toolsets: api: type: openapi spec: "https://api.example.com/openapi.json"

TIP

Для схем OpenAPI вы можете установитьRedocly CLI для объединения и разрешения спецификаций OpenAPI перед их использованием с LLMLing. Это помогает гарантировать, что ссылки на схемы будут правильно разрешены, а спецификация будет правильно отформатирована. Если redocly установлен, он будет использоваться автоматически.

Конфигурация сервера

Сервер настраивается с помощью файла YAML со следующими разделами:

global_settings: timeout: 30 max_retries: 3 log_level: "INFO" requirements: [] pip_index_url: null extra_paths: [] resources: # Resource definitions... tools: # Tool definitions... toolsets: # Toolset definitions... prompts: # Prompt definitions...

Протокол МСР

Сервер реализует протокол MCP, который поддерживает:

Ресурсные операции
- Список доступных ресурсов
- Прочитать содержание ресурса
- Следите за изменениями ресурсов
Операции с инструментами
- Список доступных инструментов
- Выполнить инструменты с параметрами
- Получить схемы инструментов
Оперативные операции
- Список доступных подсказок
- Получить отформатированные подсказки
- Получите дополнения для аргументов подсказки
Уведомления
- Изменения ресурсов
- Обновления списка инструментов/подсказок
- Обновления хода работ
- Сообщения журнала

mcp-server-llmling