MCP Crash Course

Проект на Python для изучения и экспериментов с MCP (Model Control Protocol) и связанными технологиями.

Обзор проекта

Этот проект представляет собой краткий курс по работе с MCP и связанными технологиями. Он включает интеграцию с FastAPI, возможности эмбеддингов и интеграцию LangChain с Groq.

Related MCP server: MCP Server Sample

Зачем нужен этот проект?

Ключевые преимущества

1. Упрощённое управление моделями

   • Удобный интерфейс для развёртывания и управления моделями

   • Единый подход к работе с различными типами моделей

   • Снижение сложности операций с моделями

2. Повышенная производительность

   • Асинхронная обработка для повышения пропускной способности

   • Оптимизированные операции эмбеддингов

   • Эффективное использование ресурсов

3. Удобство для разработчиков

   • Понятная документация API

   • Интуитивно понятные инструменты CLI

   • Комплексная обработка ошибок

4. Масштабируемость

   • Модульная архитектура для лёгкого расширения

   • Поддержка нескольких типов моделей

   • Гибкие варианты развёртывания

Установка

1. Клонируйте репозиторий:

git clone <repository-url>
cd mcpcrashcourse

2. Создайте и активируйте виртуальное окружение:

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

3. Установите зависимости:

pip install -e .

Рабочий процесс проекта

Архитектура сервера

Проект состоит из двух основных серверных компонентов:

• server/: содержит основную реализацию сервера приложения

• mcpserver/: содержит серверную функциональность, специфичную для MCP

Ключевые компоненты

1. Интеграция с FastAPI

   • Конечные точки RESTful API для взаимодействия с моделями

   • Асинхронная поддержка высокопроизводительных операций

   • Встроенные возможности документирования и тестирования

   • Автоматическая валидация запросов

   • Документация Swagger/OpenAPI

2. Система эмбеддингов

   • Использует FastEmbed для эффективных текстовых эмбеддингов

   • Поддерживает различные модели эмбеддингов

   • Обеспечивает семантический поиск и сопоставление по сходству

   • Возможности пакетной обработки

   • Операции с эффективным использованием памяти

3. Интеграция с LangChain

   • Интеграция с Groq для операций LLM

   • Обработка входных и выходных данных моделей на основе цепочек

   • Настраиваемые конфигурации конвейеров

   • Поддержка сложных рабочих процессов

   • Простая интеграция с внешними сервисами

4. Реализация MCP

   • Реализация Model Control Protocol

   • Инструменты CLI для управления моделями

   • Утилиты для конфигурации и развёртывания

   • Мониторинг состояния и журналирование

   • Поддержка автоматического переключения при сбоях

Внутреннее устройство

1. Поток обработки запросов

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

2. Управление моделями

   • Автоматическая загрузка и выгрузка моделей

   • Оптимизация распределения ресурсов

   • Обработка параллельных запросов

   • Управление состоянием и его сохранение

3. Обработка ошибок

   • Плавная деградация

   • Подробные отчёты об ошибках

   • Механизмы автоматического восстановления

   • Журналирование и мониторинг

Процесс разработки

1. Локальная разработка

   • Запустите сервер разработки:

     python main.py

   • По умолчанию сервер работает на localhost:8000

   • Документация API доступна по адресу /docs

   • Горячая перезагрузка для разработки

   • Поддержка режима отладки

2. Интеграция моделей

   • Настройте модели в соответствующем каталоге сервера

   • Задайте переменные окружения для API-ключей

   • Проверяйте взаимодействие моделей через конечные точки API

   • Поддержка версионирования моделей

   • Возможности A/B-тестирования

3. Тестирование и развёртывание

   • Запускайте автоматизированные тесты

   • Развёртывайте в производственной среде

   • Отслеживайте производительность моделей и метрики API

   • Поддержка непрерывной интеграции

   • Автоматизированные конвейеры развёртывания

Типовые операции

1. Запуск сервера

   python main.py

2. Доступ к конечным точкам API

   • Используйте интерфейс документации FastAPI

   • Отправляйте HTTP-запросы к соответствующим конечным точкам

   • Корректно обрабатывайте ответы и ошибки

   • Ограничение частоты запросов и троттлинг

   • Аутентификация и авторизация

3. Управление моделями

   • Используйте инструменты MCP CLI для операций с моделями

   • Настраивайте параметры моделей

   • Отслеживайте производительность моделей

   • Контроль версий моделей

   • Управление распределением ресурсов

Структура проекта

• main.py: основная точка входа в приложение

• server/: компоненты, связанные с сервером

• mcpserver/: реализация MCP-сервера

• pyproject.toml: конфигурация проекта и зависимости

• finalmcp.pdf: документация или учебные материалы

Зависимости

Проект использует несколько ключевых зависимостей:

• FastAPI (>=0.115.12)

• FastEmbed (>=0.6.1)

• LangChain-Groq (>=0.3.2)

• MCP-Use (>=1.2.8)

• MCP[CLI] (>=1.6.0)