MCP Crash Course

Un proyecto basado en Python para aprender y experimentar con MCP (Model Control Protocol) y tecnologías relacionadas.

Resumen del proyecto

Este proyecto sirve como curso intensivo para trabajar con MCP y tecnologías relacionadas. Incluye integración de FastAPI, capacidades de embeddings e integración de LangChain con Groq.

Related MCP server: MCP Server Sample

¿Por qué este proyecto?

Beneficios clave

1. Gestión simplificada de modelos

   • Interfaz simplificada para el despliegue y control de modelos

   • Enfoque unificado para manejar diferentes tipos de modelos

   • Menor complejidad en las operaciones con modelos

2. Rendimiento mejorado

   • Procesamiento asíncrono para un mejor rendimiento

   • Operaciones de embeddings optimizadas

   • Utilización eficiente de los recursos

3. Pensado para desarrolladores

   • Documentación de API clara

   • Herramientas CLI intuitivas

   • Gestión integral de errores

4. Escalabilidad

   • Arquitectura modular para una fácil expansión

   • Soporte para múltiples tipos de modelos

   • Opciones de despliegue flexibles

Instalación

1. Clona el repositorio:

git clone <repository-url>
cd mcpcrashcourse

2. Crea y activa un entorno virtual:

python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

3. Instala las dependencias:

pip install -e .

Flujo de trabajo del proyecto

Arquitectura del servidor

El proyecto consta de dos componentes de servidor principales:

• server/: Contiene la implementación principal del servidor de la aplicación

• mcpserver/: Aloja la funcionalidad del servidor específica de MCP

Componentes clave

1. Integración con FastAPI

   • Endpoints de API RESTful para la interacción con modelos

   • Soporte asíncrono para operaciones de alto rendimiento

   • Documentación integrada y capacidades de prueba

   • Validación automática de solicitudes

   • Documentación Swagger/OpenAPI

2. Sistema de embeddings

   • Utiliza FastEmbed para obtener embeddings de texto eficientes

   • Soporta varios modelos de embeddings

   • Permite la búsqueda semántica y la coincidencia por similitud

   • Capacidades de procesamiento por lotes

   • Operaciones eficientes en memoria

3. Integración con LangChain

   • Integración con Groq para operaciones de LLM

   • Procesamiento basado en cadenas de las entradas/salidas de los modelos

   • Configuraciones de pipeline personalizables

   • Soporte para flujos de trabajo complejos

   • Fácil integración con servicios externos

4. Implementación de MCP

   • Implementación de Model Control Protocol

   • Herramientas CLI para la gestión de modelos

   • Utilidades de configuración y despliegue

   • Supervisión del estado y registro de eventos

   • Soporte automático de conmutación por error

Funcionamiento interno

1. Flujo de procesamiento de solicitudes

   Client Request → FastAPI Router → Model Handler → MCP Controller → Model Execution → Response Formatter → Client

2. Gestión de modelos

   • Carga y descarga automática de modelos

   • Optimización de la asignación de recursos

   • Manejo de solicitudes concurrentes

   • Gestión de estado y persistencia

3. Manejo de errores

   • Degradación controlada

   • Informes de errores detallados

   • Mecanismos de recuperación automática

   • Registro y monitorización

Flujo de trabajo de desarrollo

1. Desarrollo local

   • Inicia el servidor de desarrollo:

     python main.py

   • El servidor se ejecuta en localhost:8000 por defecto

   • Documentación de la API disponible en /docs

   • Recarga en caliente para desarrollo

   • Soporte del modo de depuración

2. Integración de modelos

   • Configura los modelos en el directorio de servidor correspondiente

   • Configura las variables de entorno para las claves de API

   • Prueba las interacciones de los modelos a través de los endpoints de la API

   • Soporte para el versionado de modelos

   • Capacidades de pruebas A/B

3. Pruebas y despliegue

   • Ejecuta pruebas automatizadas

   • Despliega en el entorno de producción

   • Monitoriza el rendimiento de los modelos y las métricas de la API

   • Soporte de integración continua

   • Canales de despliegue automatizados

Operaciones comunes

1. Inicio del servidor

   python main.py

2. Acceso a los endpoints de la API

   • Utiliza la interfaz de documentación de FastAPI

   • Realiza solicitudes HTTP a los endpoints correspondientes

   • Gestiona las respuestas y los errores de manera adecuada

   • Limitación de velocidad y regulación de tráfico

   • Autenticación y autorización

3. Gestión de modelos

   • Utiliza las herramientas CLI de MCP para las operaciones con modelos

   • Configura los parámetros del modelo

   • Monitoriza el rendimiento del modelo

   • Control de versiones del modelo

   • Gestión de la asignación de recursos

Estructura del proyecto

• main.py: Punto de entrada principal de la aplicación

• server/: Componentes relacionados con el servidor

• mcpserver/: Implementación del servidor MCP

• pyproject.toml: Configuración del proyecto y dependencias

• finalmcp.pdf: Documentación o materiales del curso

Dependencias

El proyecto utiliza varias dependencias clave:

• FastAPI (>=0.115.12)

• FastEmbed (>=0.6.1)

• LangChain-Groq (>=0.3.2)

• MCP-Use (>=1.2.8)

• MCP[CLI] (>=1.6.0)