Cartesi Knowledge MCP Server
MCP-сервер знаний Cartesi
Сервер Model Context Protocol, ориентированный на промышленное использование, который предоставляет ИИ-агентам доступ к курируемым ресурсам разработчиков Cartesi из PostgreSQL через потоковый HTTP.
Текущие возможности
FastMCP (
mcp[cli]1.26.x) сstreamable_http_app()— используйте приложение Starlette из FastMCP напрямую в продакшене, чтобы время жизни сессии работало корректно (см.create_app()вsrc/main.py).Async SQLAlchemy + asyncpg для доступа к базе знаний только для чтения.
Многоуровневая структура: конфигурация и логирование (
src/core/), сессия БД и модели (src/db/), репозитории, доменный сервис (src/domain/resource_service.py), схемы, форматировщики и серверные модули вsrc/server/.Безопасность транспорта: защита от DNS-ребиндинга и настраиваемые
allowed_hosts/allowed_originsвsrc/server/server.py(расширьте для вашего хостнейма развертывания).Простая проверка работоспособности по HTTP:
GET /healthzвозвращает{"status":"ok"}наряду с маршрутом MCP.
Ответы с базой знаний представляют собой метаданные и ссылки (заголовки, URI, canonical_url, маршруты документации). Они не включают полные тела загруженных страниц; агенты должны сами запрашивать внешние URL, если им нужен «сырой» HTML или markdown.
Инструменты рабочего процесса (prepare_cartesi_*, send_input_to_application, prepare_*_deposit_instructions, get_cartesi_app_logic_guidance) возвращают только инструкции и шаблоны команд для машины пользователя. Они не запускают Cartesi CLI, cast или RPC цепочки с этого сервера.
Related MCP server: read-docs-mcp
Требования
Python ≥ 3.11 (см.
pyproject.toml; включенныйDockerfileиспользует Python 3.12).База данных PostgreSQL, заполненная схемой курируемых ресурсов, ожидаемой
src/db/models.pyиResourceService.
Переменные окружения
Скопируйте .env.example в .env и настройте. Значения по умолчанию и имена полей определены в src/core/config.py (в частности, DATABASE_URL, APP_HOST, APP_PORT, MCP_BASE_URL, лимиты пагинации). Для URL PostgreSQL postgres://... нормализуется в postgresql+asyncpg://..., а sslmode транслируется в совместимый с asyncpg ssl (например, sslmode=disable превращается в ssl=false).
Установка
Используя uv (рекомендуется):
uv syncИспользуя pip:
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txtЗапуск
python -m src.mainuv run python -m src.mainuv run uvicorn src.main:create_app --factory --host 0.0.0.0 --port 8000Конечная точка MCP — это потоковый HTTP по адресу:
http://<host>:<port>/mcp(по умолчанию:http://0.0.0.0:8000/mcp)
Docker
Репозиторий включает многоэтапный Dockerfile, который устанавливает зависимости с помощью uv и запускает python -m src.main. Установите DATABASE_URL и другие переменные окружения во время выполнения (например, через -e или ваш оркестратор).
Рекомендуемый тест клиента
Используйте MCP Inspector или любой совместимый с MCP клиент и подключитесь к:
http://localhost:8000/mcpРесурсы MCP
URI | Назначение |
| Имя сервера, окружение, |
| Каталог: индекс URI ресурсов, имен инструментов, промптов и предлагаемых потоков агента |
| Нормализованные метаданные ресурса |
| Представление ресурса документации (та же форма; для ID не-документации — ошибка) |
| Отдельный маршрут документации с родительским контекстом |
| Метаданные синхронизации / актуальности репозитория |
| Ресурсы, сгруппированные по тегу |
| Ресурсы, сгруппированные по источнику |
Инструменты MCP (зарегистрированные имена)
Это значения name=, которые видят клиенты (имена обработчиков Python могут отличаться).
Знания
summarize_knowledge_base— охват, количество, ориентацияget_knowledge_taxonomy— известные теги и заголовки источниковsearch_knowledge_resources— поиск по запросу, тегу, источнику, типуget_resource_detail— один ресурс по ID, дополнительные маршрутыlist_resource_doc_routes— маршруты для ресурса документацииsearch_documentation_routes— поиск маршрутов по ресурсамlist_resources_for_tag/list_resources_for_sourceget_repository_sync_statusbuild_debugging_context— сфокусированный на проблеме набор ресурсов и маршрутов
Рабочий процесс Cartesi на стороне хоста (только инструкции)
prepare_cartesi_create_command— руководство по созданию: стабильная v1.5.x против alpha v2.0prepare_cartesi_build_commandprepare_cartesi_run_commandsend_input_to_application— InputBox + шаблоныcastprepare_erc20_deposit_instructions— поток ERC20Portalprepare_erc721_deposit_instructions— поток ERC721Portalprepare_erc1155_deposit_instructions— поток ERC1155SinglePortalget_cartesi_app_logic_guidance— адресная книга, порталы, ваучеры, уведомления, отчеты
Промпты MCP
debug_cartesi_issue— структурированная отладка с использованием курируемых знанийfind_cartesi_docs— поиск маршрута документации по темеexplain_repository_context— ресурс репозитория + сводка статуса
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