Berghain Events API & MCP-Implementierung

Projektstruktur

berghain-api/
├── app/                    # Aplicación principal FastAPI
│   ├── api/                # Rutas de la API
│   ├── core/               # Configuración y componentes centrales
│   ├── db/                 # Capa de acceso a datos (DynamoDB)
│   └── main.py             # Punto de entrada de la aplicación y FastMCP server
├── scripts/                # Scripts para creación de tabla y carga de datos en DynamoDB
│   ├── create_table.py
│   └── load_data.py
├── events/                 # Directorio para los JSON extraídos de Firecrawl
├── Dockerfile              # Dockerfile para despliegue
├── requirements.txt        # Dependencias del proyecto (para uv)
└── README.md               # Este archivo

Related MCP server: DynamoDB Read-Only MCP

Anforderungen

• Python 3.10+

• uv (für Abhängigkeitsmanagement und virtuelle Umgebung)

• AWS-Konto (für DynamoDB und App Runner)

• Firecrawl-API-Schlüssel

Einrichtung

1. Klonen Sie dieses Repository:

   git clone <repository-url>
   cd berghain-api

2. Erstellen und aktivieren Sie eine virtuelle Umgebung mit uv :

   uv venv
   source .venv/bin/activate  # En Linux/macOS
   # .venv\\Scripts\\activate    # En Windows

3. Installieren Sie Abhängigkeiten mit uv :

   uv pip install -r requirements.txt

Detaillierter Prozess

1. Datenextraktion mit Firecrawl

• Firecrawl MCP auf Cursor einstellen: Stellen Sie sicher, dass Sie Ihren Firecrawl-API-Schlüssel haben. Fügen Sie in der Cursor-MCP-Konfiguration Folgendes hinzu:

     "firecrawl-mcp": {
        "command": "npx",
        "args": [
          "-y",
          "firecrawl-mcp"
        ],
        "env": {
          "FIRECRAWL_API_KEY": "fc-YOUR_FIRECRAWL_API_KEY"
        }
      }

• Führen Sie die Extraktion aus: Verwenden Sie einen Agenten in Cursor (oder einem ähnlichen Tool), um das Firecrawl MCP aufzurufen und es aufzufordern, Ereignisse von https://www.berghain.berlin/en/program/ zu extrahieren.

• Daten speichern: Die extrahierten Daten sollten als JSON-Dateien im Verzeichnis events/ gespeichert werden. Beispiel: events/berghain_events_YYYY-MM-DD.json .

2. Daten in DynamoDB laden

• Erstellen Sie die Tabelle in DynamoDB: Das Skript scripts/create_table.py kümmert sich darum. Führen Sie es aus (passen Sie die Parameter gegebenenfalls an):

  uv run python scripts/create_table.py --table berghain_events --region tu-region-aws
  # Para desarrollo local con DynamoDB Local (ej. docker run -p 8000:8000 amazon/dynamodb-local):
  # uv run python scripts/create_table.py --table berghain_events --region localhost --endpoint-url http://localhost:8000

• Daten in die Tabelle laden: Das Skript scripts/load_data.py lädt Ereignisse aus JSON-Dateien.

  uv run python scripts/load_data.py --table berghain_events --region tu-region-aws --path events
  # Para desarrollo local:
  # uv run python scripts/load_data.py --table berghain_events --region localhost --endpoint-url http://localhost:8000 --path events

  Stellen Sie sicher, dass app/core/config.py (importiert von load_data.py ) über die erforderlichen Konfigurationen verfügt, wenn Sie diese nicht als Argumente übergeben.

3. API mit FastAPI und MCP Server

• Die API-Logik befindet sich im Verzeichnis app/ , wobei die Endpunkte definiert sind (z. B. in app/api/endpoints/events.py ).

• Die Datei app/main.py ist so konfiguriert, dass die FastAPI-Anwendung und der FastMCP-Server gestartet werden und die API-Endpunkte als Tools für KI-Modelle verfügbar gemacht werden. Überprüfen Sie die custom_maps in app/main.py um zu sehen, wie GET-Routen RouteType.TOOL zugeordnet werden.

Bereitstellung auf AWS

Zu. Dockerfile

Stellen Sie sicher, dass Ihr Dockerfile richtig für die Verwendung uv konfiguriert ist und führen Sie app/main.py aus:

B. Erstellen und Hochladen eines Images in Amazon ECR (Elastic Container Registry)

1. Docker mit ECR authentifizieren:

   aws ecr get-login-password --region tu-region-aws | docker login --username AWS --password-stdin tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com

2. Erstellen Sie ein Repository in ECR (falls es nicht vorhanden ist):

   aws ecr create-repository --repository-name berghain-mcp-api --region tu-region-aws

3. Erstellen Sie Ihr Docker-Image:

   docker build -t berghain-mcp-api .

4. Markieren Sie Ihr Bild:

   docker tag berghain-mcp-api:latest tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest

5. Laden Sie das Bild zu ECR hoch:

   docker push tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest

   Ersetzen Sie tu-region-aws und tu-aws-account-id durch Ihre Werte.

C. Bereitstellen der Infrastruktur mit Terraform

1. Bereiten Sie Ihre Terraform-Dateien vor: Stellen Sie sicher, dass Sie Ihre Terraform-Konfigurationsdateien (z. B. main.tf , variables.tf , outputs.tf ) in einem Verzeichnis (z. B. terraform/ ) haben. Diese Dateien sollten die erforderlichen AWS-Ressourcen definieren, z. B. den AWS App Runner-Dienst, den das ECR-Image verwenden wird, und die DynamoDB-Tabelle (sofern sie auch von Terraform verwaltet wird). Ihre App Runner-Konfiguration in Terraform muss auf das in ECR hochgeladene Bild verweisen.

2. Navigieren Sie zum Terraform-Verzeichnis:

   cd terraform 

3. Terraform initialisieren:

   terraform init

4. Wenden Sie die Terraform-Konfiguration an:

   terraform apply

   Überprüfen Sie den Plan und bestätigen Sie die Anwendung. Terraform stellt die Ressourcen bereit.

5. Holen Sie sich die Service-URL: Nach der Anwendung sollte Terraform die definierten Ausgaben anzeigen, einschließlich der App Runner-Service-URL. Notieren Sie sich diese URL (z. B. https://<id-servicio>.<region>.awsapprunner.com ).

Testen der bereitgestellten Lösung

Zu. Lokales Testskript anpassen ( mcp_local.py )

Legen Sie die Datei mcp_local.py im Stammverzeichnis Ihres Projekts fest

Wichtig: Aktualisieren Sie die Variable mcp_server_url in mcp_local.py mit der URL, die Sie aus der Terraform-Ausgabe erhalten haben.

B. Test ausführen

Vom Stammverzeichnis Ihres Projekts (oder wo auch immer Sie mcp_local.py gespeichert haben):

uv run python mcp_local.py

Dadurch wird der PydanticAI-Agent ausgeführt, der versucht, eine Verbindung zu Ihrem bereitgestellten MCP herzustellen und die Abfrage auszuführen.

Lizenz

MIT