Skip to main content
Glama

AV-MCP Automator

Middleware basado en Model Context Protocol para la generación automática de interfaces nativas de Crestron Construct™ (.cuig ) mediante IA generativa.

Empresa: DACER S.A.C. — Miraflores, Lima, Perú
Practicante: Brayan Delgado Oblitas
Metodología: RUP adaptado (desarrollador único) — 14 semanas


Requisitos

  • Python 3.10 o superior (recomendado 3.11+)

  • Git

  • Crestron Construct™ instalado en el sistema

  • Una clave de API válida para Gemini (Google AI Studio)

Related MCP server: lightfast-mcp

Instalación

# 1. Clonar el repositorio
git clone <url-del-repositorio>
cd AV-MCP_Automator

# 2. Crear y activar el entorno virtual (recomendado)
python -m venv venv
# En Windows:
venv\Scripts\activate
# En Linux/Mac:
source venv/bin/activate

# 3. Instalar dependencias
pip install -r requirements.txt

Configuración del .env

Por seguridad, las credenciales del proyecto no se suben al repositorio. Debes configurar tu propio archivo local basándote en el ejemplo proporcionado.

# 1. Copiar el archivo de ejemplo
cp .env.example .env

# 2. Editar .env con tus credenciales

Asegúrate de editar el archivo .env recién creado e introducir tu GEMINI_API_KEY.

Cómo ejecutar el proyecto

Para correr el proyecto completo se necesitan dos terminales (ambas con el entorno virtual activado):

# 1. (Opcional - Primera vez) Indexar documentación en LanceDB
python src/data_layer/ingest.py

# 2. Iniciar servidor MCP (Terminal 1)
python src/server_mcp/main.py

# 3. Iniciar UI de Cliente (Terminal 2)
streamlit run src/client/app.py

Selección de proyecto Crestron

Al abrir la UI por primera vez, selecciona tu proyecto Crestron Construct:

  1. Haz clic en 📂 Explorar... para abrir el selector de carpetas nativo.

  2. Navega hasta Documents/Crestron/Crestron Construct/Solutions/MiProyecto/.

  3. El sistema detecta automáticamente el nombre del proyecto.

  4. Los archivos .cuig se generarán en Solutions/MiProyecto/MiProyecto/.

Nota: La ruta del proyecto se persiste automáticamente entre sesiones. No necesitas editar el archivo .env para configurar la ruta del proyecto.

Estructura principal del proyecto

AV-MCP_Automator/
├── docs/                   # Fases RUP: Inicio y Elaboración
├── src/                    # Fase RUP: Construcción
│   ├── client/             # Capa 1 — UI Streamlit (con selector de proyecto)
│   ├── server_mcp/         # Capa 2 — Servidor FastMCP + Compilador .cuig
│   ├── core_ai/            # Capa 3 — Enrutador IA (Gemini 2.5 Flash-Lite)
│   └── data_layer/         # Capa 4 — LanceDB + documentación fuente
├── tests/                  # Pruebas unitarias e integración
├── deploy/                 # Manual de usuario y guía de despliegue
├── .env.example            # Variables de entorno requeridas (Plantilla segura)
└── requirements.txt        # Dependencias Python

Dependencias importantes (Stack Tecnológico)

Capa

Tecnología

UI Cliente

Streamlit (Python)

Servidor MCP / Compilador

FastMCP (Python)

IA Principal

Gemini 2.5 Flash-Lite (API)

Base Vectorial

LanceDB

Ecosistema destino

Crestron Construct™ (.cuig)

Licencia

Desarrollado para uso interno en DACER S.A.C. Todos los derechos reservados salvo que se indique lo contrario.

F
license - not found
-
quality - not tested
B
maintenance

Maintenance

Maintainers
Response time
Release cycle
Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/BryShdw/AV-MCP_Automator'

If you have feedback or need assistance with the MCP directory API, please join our Discord server