Cartesi Knowledge MCP Server
Cartesi Knowledge MCP Server
Produktionsorientierter Model Context Protocol-Server, der kuratierte Cartesi-Entwicklerressourcen aus PostgreSQL für KI-Agenten über streamable HTTP bereitstellt.
Aktuelle Funktionen
FastMCP (
mcp[cli]1.26.x) mitstreamable_http_app()— verwendet die Starlette-App von FastMCP direkt in der Produktion, damit die Sitzungslebensdauer korrekt abläuft (siehecreate_app()insrc/main.py).Async SQLAlchemy + asyncpg für schreibgeschützten Zugriff auf die Wissensdatenbank.
Geschichtetes Layout: Konfiguration und Logging (
src/core/), DB-Sitzung und Modelle (src/db/), Repositories, Domain-Service (src/domain/resource_service.py), Schemas, Formatierer und Server-Module untersrc/server/.Transportsicherheit: DNS-Rebinding-Schutz und konfigurierbare
allowed_hosts/allowed_originsinsrc/server/server.py(für Ihren Deployment-Hostname zu erweitern).Einfaches HTTP-Healthcheck:
GET /healthzgibt{"status":"ok"}neben der MCP-Route zurück.
Wissensantworten sind Metadaten und Links (Titel, URIs, canonical_url, Dokumentationsrouten). Sie enthalten keine vollständig abgerufenen Seiteninhalte; Agenten sollten externe URLs abrufen, wenn sie rohes HTML oder Markdown benötigen.
Workflow-Tools (prepare_cartesi_*, send_input_to_application, prepare_*_deposit_instructions, get_cartesi_app_logic_guidance) geben nur Anleitungen und Befehlsvorlagen für den Rechner des Benutzers zurück. Sie führen keine Cartesi-CLI, cast oder Chain-RPC von diesem Server aus.
Related MCP server: read-docs-mcp
Anforderungen
Python ≥ 3.11 (siehe
pyproject.toml; das enthalteneDockerfileverwendet Python 3.12).Eine PostgreSQL-Datenbank, die mit dem kuratierten Ressourcenschema gefüllt ist, das von
src/db/models.pyundResourceServiceerwartet wird.
Umgebungsvariablen
Kopieren Sie .env.example nach .env und passen Sie diese an. Standardwerte und Feldnamen sind in src/core/config.py definiert (insbesondere DATABASE_URL, APP_HOST, APP_PORT, MCP_BASE_URL, Paginierungslimits). Für PostgreSQL-URLs wird postgres://... zu postgresql+asyncpg://... normalisiert und sslmode in das asyncpg-kompatible ssl übersetzt (zum Beispiel wird sslmode=disable zu ssl=false).
Installation
Mit uv (empfohlen):
uv syncMit pip:
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txtAusführung
python -m src.mainuv run python -m src.mainuv run uvicorn src.main:create_app --factory --host 0.0.0.0 --port 8000Der MCP-Endpunkt ist streamable HTTP unter:
http://<host>:<port>/mcp(Standard:http://0.0.0.0:8000/mcp)
Docker
Das Repository enthält ein mehrstufiges Dockerfile, das Abhängigkeiten mit uv installiert und python -m src.main ausführt. Setzen Sie DATABASE_URL und andere Umgebungsvariablen zur Laufzeit (zum Beispiel über -e oder Ihren Orchestrator).
Empfohlener Client-Test
Verwenden Sie den MCP Inspector oder einen beliebigen MCP-kompatiblen Client und verbinden Sie sich mit:
http://localhost:8000/mcpMCP-Ressourcen
URI | Zweck |
| Servername, Umgebung, |
| Katalog: Index der Ressourcen-URIs, Tool-Namen, Prompts und empfohlener Agenten-Ablauf |
| Normalisierte Ressourcen-Metadaten |
| Dokumentations-Ressourcenansicht (gleiche Form; Fehler bei Nicht-Dokumentations-IDs) |
| Einzelne Dokumentationsroute mit übergeordnetem Kontext |
| Repository-Synchronisations- / Aktualitäts-Metadaten |
| Nach Tag gruppierte Ressourcen |
| Nach Quelle gruppierte Ressourcen |
MCP-Tools (registrierte Namen)
Dies sind die name=-Werte, die Clients sehen (Python-Handler-Namen können abweichen).
Wissen
summarize_knowledge_base— Abdeckung, Anzahl, Orientierungget_knowledge_taxonomy— bekannte Tag- und Quelltitelsearch_knowledge_resources— Suche nach Abfrage, Tag, Quelle, Artget_resource_detail— eine Ressource nach ID, optionale Routenlist_resource_doc_routes— Routen für eine Dokumentationsressourcesearch_documentation_routes— Suche nach Routen über Ressourcen hinweglist_resources_for_tag/list_resources_for_sourceget_repository_sync_statusbuild_debugging_context— problemorientiertes Bündel von Ressourcen und Routen
Host-seitiger Cartesi-Workflow (nur Anleitungen)
prepare_cartesi_create_command— Anleitung zur Erstellung: stabil v1.5.x vs. Alpha v2.0prepare_cartesi_build_commandprepare_cartesi_run_commandsend_input_to_application— InputBox +cast-Vorlagenprepare_erc20_deposit_instructions— ERC20Portal-Ablaufprepare_erc721_deposit_instructions— ERC721Portal-Ablaufprepare_erc1155_deposit_instructions— ERC1155SinglePortal-Ablaufget_cartesi_app_logic_guidance— Adressbuch, Portale, Vouchers, Notices, Reports
MCP-Prompts
debug_cartesi_issue— strukturiertes Debugging unter Verwendung von kuratiertem Wissenfind_cartesi_docs— Entdeckung von Dokumentationsrouten für ein Themaexplain_repository_context— Repository-Ressource + Statuszusammenfassung
This server cannot be deployed
Maintenance
Related MCP Connectors
Shared, versioned context that humans and AI agents can publish, review, annotate, and continue.
AI Reasoning Cache & Consensus Layer with 11 MCP tools via Streamable HTTP.
Versioned documentation registry and semantic search for AI tools and coding assistants.
Intelligent context infrastructure for AI teams: knowledge graph, sessions, tasks, documents.
Related MCP Servers
FlicenseAqualityBmaintenanceA server that exposes blockchain data (balances, tokens, NFTs, contract metadata) via the Model Context Protocol, enabling AI agents and tools to access and analyze blockchain information contextually.1845-- AlicenseBqualityDmaintenanceA Model Context Protocol server that enables AI agents to access, search, and understand structured package documentation and source code from Git repositories. It automatically generates specialized tools to browse module overviews, components, and detailed documentation for technical libraries.1698 npm7MIT
- AlicenseNot gradedqualityDmaintenanceA read-only Model Context Protocol server that exposes a semantic knowledge base to AI agents via 27 tools. It enables querying of documents and data integrated from sources like Notion, SharePoint, HubSpot, and Slack.MIT

cfabric-mcpofficial
AlicenseNot gradedqualityBmaintenanceEnables AI agents to perform corpus analysis tasks such as discovery, search, and data access via the Model Context Protocol.10MIT