Cartesi Knowledge MCP Server
Servidor MCP de Conocimiento de Cartesi
Servidor del Protocolo de Contexto de Modelo (MCP) orientado a producción que expone recursos curados para desarrolladores de Cartesi desde PostgreSQL a agentes de IA a través de HTTP transmitible.
Capacidades actuales
FastMCP (
mcp[cli]1.26.x) constreamable_http_app()— utiliza la aplicación Starlette de FastMCP directamente en producción para que la vida útil de la sesión se ejecute correctamente (vercreate_app()ensrc/main.py).Async SQLAlchemy + asyncpg para acceso de solo lectura a la base de datos de conocimiento.
Diseño en capas: configuración y registro (
src/core/), sesión y modelos de BD (src/db/), repositorios, servicio de dominio (src/domain/resource_service.py), esquemas, formateadores y módulos de servidor bajosrc/server/.Seguridad de transporte: protección contra rebinding de DNS y
allowed_hosts/allowed_originsconfigurables ensrc/server/server.py(extiéndalo para el nombre de host de su despliegue).Salud HTTP simple:
GET /healthzdevuelve{"status":"ok"}junto con la ruta MCP.
Las respuestas de conocimiento son metadatos y enlaces (títulos, URIs, canonical_url, rutas de documentos). No incluyen cuerpos de página completos obtenidos; los agentes deben obtener URLs externas cuando necesiten HTML o markdown sin procesar.
Las herramientas de flujo de trabajo (prepare_cartesi_*, send_input_to_application, prepare_*_deposit_instructions, get_cartesi_app_logic_guidance) solo devuelven instrucciones y plantillas de comandos para la máquina del usuario. No ejecutan la CLI de Cartesi, cast o RPC de cadena desde este servidor.
Related MCP server: read-docs-mcp
Requisitos
Python ≥ 3.11 (ver
pyproject.toml; elDockerfileincluido utiliza Python 3.12).Una base de datos PostgreSQL poblada con el esquema de recursos curados esperado por
src/db/models.pyyResourceService.
Variables de entorno
Copie .env.example a .env y ajuste. Los valores predeterminados y los nombres de los campos se definen en src/core/config.py (notablemente DATABASE_URL, APP_HOST, APP_PORT, MCP_BASE_URL, límites de paginación). Para URLs de PostgreSQL, postgres://... se normaliza a postgresql+asyncpg://..., y sslmode se traduce a ssl compatible con asyncpg (por ejemplo, sslmode=disable se convierte en ssl=false).
Instalación
Usando uv (recomendado):
uv syncUsando pip:
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txtEjecución
python -m src.mainuv run python -m src.mainuv run uvicorn src.main:create_app --factory --host 0.0.0.0 --port 8000El endpoint MCP es HTTP transmitible en:
http://<host>:<port>/mcp(predeterminado:http://0.0.0.0:8000/mcp)
Docker
El repositorio incluye un Dockerfile de múltiples etapas que instala dependencias con uv y ejecuta python -m src.main. Establezca DATABASE_URL y otras variables de entorno en tiempo de ejecución (por ejemplo, mediante -e o su orquestador).
Prueba de cliente sugerida
Utilice el Inspector MCP o cualquier cliente compatible con MCP y conéctese a:
http://localhost:8000/mcpRecursos MCP
URI | Propósito |
| Nombre del servidor, entorno, |
| Catálogo: índice de URIs de recursos, nombres de herramientas, prompts y flujo de agente sugerido |
| Metadatos de recursos normalizados |
| Vista de recursos de documentación (misma forma; los IDs que no son de documentos dan error) |
| Ruta de documento única con contexto principal |
| Metadatos de sincronización / frescura del repositorio |
| Recursos agrupados por etiqueta |
| Recursos agrupados por fuente |
Herramientas MCP (nombres registrados)
Estos son los valores de name= que ven los clientes (los nombres de los manejadores de Python pueden diferir).
Conocimiento
summarize_knowledge_base— cobertura, conteos, orientaciónget_knowledge_taxonomy— títulos conocidos de etiquetas y fuentessearch_knowledge_resources— búsqueda por consulta, etiqueta, fuente, tipoget_resource_detail— un recurso por ID, rutas opcionaleslist_resource_doc_routes— rutas para un recurso de documentaciónsearch_documentation_routes— búsqueda de rutas a través de recursoslist_resources_for_tag/list_resources_for_sourceget_repository_sync_statusbuild_debugging_context— paquete de recursos y rutas enfocado en problemas
Flujo de trabajo de Cartesi en el host (solo instrucciones)
prepare_cartesi_create_command— orientación de creación para v1.5.x estable vs v2.0 alfaprepare_cartesi_build_commandprepare_cartesi_run_commandsend_input_to_application— plantillas de InputBox +castprepare_erc20_deposit_instructions— flujo de ERC20Portalprepare_erc721_deposit_instructions— flujo de ERC721Portalprepare_erc1155_deposit_instructions— flujo de ERC1155SinglePortalget_cartesi_app_logic_guidance— libreta de direcciones, portales, vales, avisos, informes
Prompts MCP
debug_cartesi_issue— depuración estructurada utilizando conocimiento curadofind_cartesi_docs— descubrimiento de rutas de documentos para un temaexplain_repository_context— resumen de recurso de repositorio + estado
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