FastMCP - Servidor de protocolo de contexto de modelo

Un servidor de Protocolo de Contexto de Modelo (MCP) liviano implementado con FastMCP , un marco rápido y Pythonic para crear servidores y clientes MCP.

Características

Crear, recuperar, actualizar y eliminar contextos de modelos
Ejecución de consultas en contextos específicos
Filtrar por nombre de modelo y etiquetas
Almacenamiento en memoria (para desarrollo)
Integración de FastMCP para un desarrollo sencillo del servidor MCP
Integración de Datadog para métricas y monitoreo

Related MCP server: MCP Database Server

Requisitos

Python 3.7+
FastMCP
uv (recomendado para la gestión ambiental)
Cuenta Datadog (opcional, para métricas)

Instalación

Uso de uv (recomendado)

La forma más sencilla de instalarlo es utilizando los scripts proporcionados:

Unix/Linux/macOS

# Clone the repository git clone https://github.com/yourusername/datadog-mcp-server.git cd datadog-mcp-server # Make the install script executable chmod +x install.sh # Run the installer ./install.sh

Ventanas

# Clone the repository git clone https://github.com/yourusername/datadog-mcp-server.git cd datadog-mcp-server # Run the installer .\install.ps1

Instalación manual

# Clone the repository git clone https://github.com/yourusername/datadog-mcp-server.git cd datadog-mcp-server # Create and activate a virtual environment with uv uv venv # On Unix/Linux/macOS: source .venv/bin/activate # On Windows: .\.venv\Scripts\activate # Install dependencies uv pip install -r requirements.txt

Configuración de Datadog

El servidor se integra con Datadog para métricas y monitorización. Puede configurar las credenciales de la API de Datadog de varias maneras:

1. Variables de entorno

Establezca estas variables de entorno antes de iniciar el servidor:

# Unix/Linux/macOS export DATADOG_API_KEY=your_api_key export DATADOG_APP_KEY=your_app_key # Optional export DATADOG_SITE=datadoghq.com # Optional, default: datadoghq.com # Windows PowerShell $env:DATADOG_API_KEY = 'your_api_key' $env:DATADOG_APP_KEY = 'your_app_key' # Optional $env:DATADOG_SITE = 'datadoghq.com' # Optional

2. Archivo .env

Cree un archivo .env en el directorio del proyecto:

DATADOG_API_KEY=your_api_key DATADOG_APP_KEY=your_app_key DATADOG_SITE=datadoghq.com

3. Instalación de la CLI de FastMCP

Al instalar como una herramienta de Claude Desktop, puede pasar variables de entorno:

fastmcp install mcp_server.py --name "Model Context Server" -v DATADOG_API_KEY=your_api_key

4. Configuración del tiempo de ejecución

Utilice la herramienta configure_datadog en tiempo de ejecución:

result = await client.call_tool("configure_datadog", { "api_key": "your_api_key", "app_key": "your_app_key", # Optional "site": "datadoghq.com" # Optional })

Uso

Iniciando el servidor

# Start directly from activated environment python mcp_server.py # Or use uv run (no activation needed) uv run python mcp_server.py # Use FastMCP CLI for development (if in activated environment) fastmcp dev mcp_server.py # Use FastMCP CLI with uv (no activation needed) uv run -m fastmcp dev mcp_server.py

Instalación como una herramienta de escritorio de Claude

# From activated environment fastmcp install mcp_server.py --name "Model Context Server" # Using uv directly uv run python -m fastmcp install mcp_server.py --name "Model Context Server" # With Datadog API key fastmcp install mcp_server.py --name "Model Context Server" -v DATADOG_API_KEY=your_api_key

Usando las herramientas

El servidor proporciona las siguientes herramientas:

create_context - Crea un nuevo contexto
get_context - Recuperar un contexto específico
update_context - Actualizar un contexto existente
delete_context - Eliminar un contexto
list_contexts - Lista todos los contextos (con filtrado opcional)
query_model - Ejecutar una consulta en un contexto específico
health_check - Comprobación del estado del servidor
configure_datadog - Configurar la integración de Datadog en tiempo de ejecución

Solicitudes de ejemplo

Creando un contexto

result = await client.call_tool("create_context", { "context_id": "model-123", "model_name": "gpt-3.5", "data": { "parameters": { "temperature": 0.7 } }, "tags": ["production", "nlp"] })

Ejecutar una consulta

result = await client.call_tool("query_model", { "context_id": "model-123", "query_data": { "prompt": "Hello, world!" } })

Configuración de Datadog

result = await client.call_tool("configure_datadog", { "api_key": "your_datadog_api_key", "app_key": "your_datadog_app_key", # Optional "site": "datadoghq.com" # Optional })

Métricas de Datadog

El servidor informa las siguientes métricas a Datadog:

mcp.contexts.created - Eventos de creación de contexto
mcp.contexts.updated - Eventos de actualización de contexto
mcp.contexts.deleted - Eventos de eliminación de contexto
mcp.contexts.accessed - Eventos de acceso al contexto
mcp.contexts.total - Número total de contextos
mcp.contexts.listed - Lista de eventos de operación de contextos
mcp.queries.executed - Eventos de ejecución de consultas
mcp.server.startup - Eventos de inicio del servidor
mcp.server.shutdown - Eventos de apagado del servidor

Desarrollo

Consulte el mcp_example.py incluido para ver un ejemplo de implementación del cliente:

# Run the example client (with activated environment) python mcp_example.py # Run with uv (no activation needed) uv run python mcp_example.py

Licencia

Instituto Tecnológico de Massachusetts (MIT)

FastMCP

FastMCP - Servidor de protocolo de contexto de modelo

Características

Requisitos

Instalación

Uso de uv (recomendado)

Unix/Linux/macOS

Ventanas

Instalación manual

Configuración de Datadog

1. Variables de entorno

2. Archivo .env

3. Instalación de la CLI de FastMCP

4. Configuración del tiempo de ejecución

Uso

Iniciando el servidor

Instalación como una herramienta de escritorio de Claude

Usando las herramientas

Solicitudes de ejemplo

Creando un contexto

Ejecutar una consulta

Configuración de Datadog

Métricas de Datadog

Desarrollo

Licencia

Recursos

Resources

New MCP Servers

Latest Blog Posts

MCP directory API