Skip to main content
Glama
enesjakozh
dvladimirov

Model Control Plane (MCP) Server

by dvladimirov
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

OpenAI、Git、ファイルシステム、Prometheus 統合を備えた MCP サーバー

このリポジトリには、OpenAI サービス、Git リポジトリ分析、ローカル ファイル システム操作、および Prometheus 統合をサポートするモデル コントロール プレーン (MCP) サーバー実装が含まれています。

プロジェクト構造

MCP/
├── mcp/               # Core MCP library modules
├── scripts/           # Utility scripts and test tools
├── prometheus/        # Prometheus configuration
├── docker-compose.yml # Docker configuration
├── mcp_server.py      # Main server implementation
├── mcp_run            # Main runner script (shortcut)
└── README.md          # This file

Related MCP server: File Context MCP

要件

  • Python 3.8以上

  • ファストAPI

  • ウビコーン

  • OpenAI SDK

  • GitPython

  • リクエスト

  • Docker と Docker Compose (Prometheus 機能用)

インストール

  1. このリポジトリをクローンする

  2. 依存関係をインストールします。

pip install -r requirements.txt

環境変数

次の環境変数を設定します。

Azure OpenAI の場合:

export AZURE_OPENAI_ENDPOINT="your-azure-endpoint"
export AZURE_OPENAI_API_KEY="your-azure-api-key"
export AZURE_OPENAI_API_VERSION="2023-05-15"
export AZURE_DEPLOYMENT_NAME="your-deployment-name"

標準 OpenAI の場合:

export OPENAI_API_KEY="your-openai-api-key"
# Optional: Specify which models to use
export OPENAI_CHAT_MODEL="gpt-4o-mini"  # Default if not specified
export OPENAI_COMPLETION_MODEL="gpt-3.5-turbo-instruct"  # Default if not specified

プロメテウスの場合:

export PROMETHEUS_URL="http://localhost:9090"  # Default if not specified

サーバーの実行

MCP サーバーを起動します。

python scripts/start_mcp_server.py

または、その他のオプションについては以下をご覧ください。

python scripts/start_mcp_server.py --host 0.0.0.0 --port 8000 --debug

サーバーはhttp://localhost:8000で利用できます。

統合テストツール

すべてのテスト機能へのユーザーフレンドリーなインターフェースを提供する統合テスト スクリプトを提供します。

./mcp_run

このインタラクティブ スクリプトは以下を提供します。

  • ファイルシステムテスト

  • Git統合テスト

  • メモリ分析ツール

  • プロメテウステストとメモリストレス

  • MCP サーバー管理

  • 環境設定

個別テスト

個々のテストを直接実行することもできます。

OpenAI 統合をテストします。

python scripts/test_mcp_client.py

Git 統合をテストします (Git リポジトリの URL を指定します)。

python scripts/test_git_integration.py https://github.com/username/repository

Git の diff 機能をテストします (要件の互換性を分析します)。

python scripts/test_git_diff.py https://github.com/username/repository [commit-sha]

ファイルシステムの機能をテストします。

python scripts/test_filesystem.py

MCP との langflow 統合をテストします。

python scripts/test_langflow_integration.py [OPTIONAL_REPO_URL]

Prometheus の統合をテストします。

python scripts/test_prometheus.py [prometheus_url]

高度なGit分析

AI による推奨機能を備えたより高度な Git リポジトリ分析については、以下をご覧ください。

python scripts/langflow_git_analyzer.py https://github.com/username/repository

リポジトリ内の特定のパターンを検索することもできます。

python scripts/langflow_git_analyzer.py https://github.com/username/repository --search "def main"

または、AI の洞察を使用して最後のコミットの差分を分析します。

python scripts/langflow_git_analyzer.py https://github.com/username/repository --diff

メモリ分析ツール

MCP には、メモリの監視と分析のためのツールがいくつか含まれています。

# Basic memory diagnostics with AI analysis
python scripts/ai_memory_diagnostics.py

# Interactive memory dashboard
python scripts/mcp_memory_dashboard.py

# Memory alerting system
python scripts/mcp_memory_alerting.py

テストのためにメモリ負荷をシミュレートすることもできます。

python scripts/simulate_memory_pressure.py --target 85 --duration 300

プロメテウス統合

設定

  1. Docker Compose を使用して Prometheus スタックを起動します。

docker compose up -d

これは次のように始まります:

  • Prometheus サーバー ( http://localhost:9090でアクセス可能)

  • ノードエクスポーター（ホストメトリック用）

  • cAdvisor（コンテナメトリクス用）

  1. ストレス テストの場合、メモリ ストレス コンテナーを起動できます。

docker compose up -d --build memory-stress

または、コンテナ テスト スクリプトを使用します。

./scripts/container-memory-test.sh start

Docker 構成およびリセット スクリプト

このプロジェクトには、さまざまな環境での信頼性の高い操作を実現するための複数の Docker 構成とリセット スクリプトが含まれています。

Docker 構成

  • 標準構成( docker-compose.yml ): Prometheus および Langflow のカスタム Dockerfile を使用して、システム間で一貫した権限を確保します。

  • ブリッジ ネットワーク構成( docker-compose.bridge.yml ): ホスト ネットワークに問題のある環境でブリッジ ネットワークを使用する代替構成。

権限問題を解決するためのカスタム Dockerfiles

このプロジェクトでは、Prometheus と Langflow の両方にカスタム Dockerfile を使用して、一般的な権限の問題を解決します。

  • Dockerfile.prometheus : nobodyユーザーに適切な権限を与えて Prometheus 構成を設定します。

  • Dockerfile.langflow : ファイルの所有権を変更せずにコンポーネント ディレクトリをコンテナーにコピーし、Langflow が権限エラーなしでコンポーネントにアクセスできるようにします。

このアプローチにより、異なるマシンやユーザー構成間で権限の競合を引き起こす可能性のあるボリュームマウントが不要になります。

スクリプトをリセットする

  • すべてのサービスのリセット( reset-all.sh ): 1 つのコマンドですべてのコンテナをリセットします。

    # Basic reset (rebuilds containers with existing volumes)
./reset-all.sh

# Full reset (removes volumes and rebuilds containers)
./reset-all.sh --clean

  • 個別サービスリセット:

    # Reset only Prometheus
./reset-prometheus.sh

# Reset only Langflow
./reset-langflow.sh

これらのスクリプトにより、コンテナが正しい権限と最新のコード変更で適切に構成されていることが保証されます。

トラブルシューティング

権限の問題が発生した場合:

  1. リセットスクリプトを使用してコンテナを再構築します

  2. docker compose logs <service_name>でログを確認します。

  3. Langflowに追加されたコンポーネントがDockerfile.langflowに含まれていることを確認します。

クロスマシン展開

新しいマシンにデプロイする場合:

  1. リポジトリをクローンする

  2. リセットスクリプトを実行可能にする: chmod +x *.sh

  3. リセット スクリプトを実行します: ./reset-all.sh

カスタム Dockerfiles は、さまざまなシステム間で発生する可能性のあるすべての権限の問題を自動的に処理します。

Prometheusクライアントの使用

MCPAIComponentクラスには Prometheus 機能が含まれています。

from langflow import MCPAIComponent

# Initialize the client
mcp = MCPAIComponent(mcp_server_url="http://localhost:8000")

# Instant query (current metric values)
result = mcp.prometheus_query("up")

# Range query (metrics over time)
result = mcp.prometheus_query_range(
    query="rate(node_cpu_seconds_total{mode='system'}[1m])",
    start="2023-03-01T00:00:00Z",
    end="2023-03-01T01:00:00Z",
    step="15s"
)

# Get all labels
labels = mcp.prometheus_get_labels()

# Get label values
values = mcp.prometheus_get_label_values("job")

# Get targets
targets = mcp.prometheus_get_targets()

# Get alerts
alerts = mcp.prometheus_get_alerts()

便利なPromQLクエリ

  • CPU使用率: rate(node_cpu_seconds_total{mode!="idle"}[1m])

  • メモリ使用量: node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes

  • ディスク使用量: node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"}

  • コンテナのCPU使用率: rate(container_cpu_usage_seconds_total[1m])

  • コンテナのメモリ使用量: container_memory_usage_bytes

APIエンドポイント

OpenAIエンドポイント

  • GET /v1/models - 利用可能なすべてのモデルを一覧表示する

  • GET /v1/models/{model_id} - 特定のモデルに関する情報を取得する

  • POST /v1/models/azure-gpt-4/completion - Azure OpenAI を使用してテキスト補完を生成する

  • POST /v1/models/azure-gpt-4/chat - Azure OpenAI を使用してチャット応答を生成する

  • POST /v1/models/openai-gpt-chat/chat - OpenAIチャットモデルを使用してチャットレスポンスを生成する

  • POST /v1/models/openai-gpt-completion/completion - OpenAI補完モデルを使用してテキスト補完を生成する

Git 統合エンドポイント

  • POST /v1/models/git-analyzer/analyze - Gitリポジトリを分析する

  • POST /v1/models/git-analyzer/search - Gitリポジトリでパターンに一致するファイルを検索する

  • POST /v1/models/git-analyzer/diff - リポジトリ内の最後のコミットの差分を取得します

ファイルシステムエンドポイント

  • POST /v1/models/filesystem/list - ディレクトリの内容を一覧表示する

  • POST /v1/models/filesystem/read - ファイルの内容を読み取る

  • POST /v1/models/filesystem/read-multiple - 複数のファイルを一度に読み取る

  • POST /v1/models/filesystem/write - ファイルにコンテンツを書き込む

  • POST /v1/models/filesystem/edit - 複数の置換を含むファイルを編集する

  • POST /v1/models/filesystem/mkdir - ディレクトリを作成する

  • POST /v1/models/filesystem/move - ファイルまたはディレクトリを移動する

  • POST /v1/models/filesystem/search - パターンに一致するファイルを検索する

  • POST /v1/models/filesystem/info - ファイルまたはディレクトリに関する情報を取得します

Prometheusエンドポイント

  • POST /v1/models/prometheus/query - インスタントクエリを実行する

  • POST /v1/models/prometheus/query_range - 範囲クエリを実行する

  • POST /v1/models/prometheus/series - シリーズデータを取得する

  • GET /v1/models/prometheus/labels - 利用可能なすべてのラベルを取得する

  • POST /v1/models/prometheus/label_values - 特定のラベルの値を取得する

  • GET /v1/models/prometheus/targets - すべてのターゲットを取得する

  • GET /v1/models/prometheus/rules - すべてのルールを取得する

  • GET /v1/models/prometheus/alerts - すべてのアラートを取得する

クライアントの使用状況

MCP サーバーの URL を指定すると、LangFlow パイプラインでMCPAIComponent使用できます。

from langflow import MCPAIComponent

mcp = MCPAIComponent(mcp_server_url="http://localhost:8000")

# List available models
models = mcp.list_models()
print(models)

# Generate chat completion with OpenAI model
chat_response = mcp.chat(
    model_id="openai-gpt-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a joke about programming."}
    ],
    max_tokens=100,
    temperature=0.7
)
print(chat_response)

# Generate text completion with OpenAI model
completion_response = mcp.completion(
    model_id="openai-gpt-completion",
    prompt="Write a function in Python to calculate the factorial of a number:",
    max_tokens=150,
    temperature=0.7
)
print(completion_response)

# Analyze a Git repository
repo_analysis = mcp.analyze_git_repo("https://github.com/username/repository")
print(repo_analysis)

# Search a Git repository
search_results = mcp.search_git_repo("https://github.com/username/repository", "def main")
print(search_results)

# Get the diff of the last commit
diff_info = mcp.get_git_diff("https://github.com/username/repository")
print(diff_info)

# List files in the current directory
dir_contents = mcp.list_directory()
print(dir_contents)

# Read a file
file_content = mcp.read_file("path/to/file.txt")
print(file_content)

# Write to a file
write_result = mcp.write_file("path/to/new_file.txt", "Hello, world!")
print(write_result)

# Search for files
search_result = mcp.search_files("*.py")
print(search_result)

GitCodeAnalyzerクラスの使用

より構造化された Git 分析を行うには、 GitCodeAnalyzerクラスを使用できます。

from langflow_git_analyzer import GitCodeAnalyzer

# Initialize the analyzer
analyzer = GitCodeAnalyzer(mcp_server_url="http://localhost:8000")

# Analyze a repository
analyzer.analyze_repository("https://github.com/username/repository")

# Get a summary
summary = analyzer.get_repository_summary()
print(summary)

# Get AI recommendations
recommendations = analyzer.get_repository_recommendations()
print(recommendations)

# Analyze code patterns
pattern_analysis = analyzer.analyze_code_pattern("def process")
print(pattern_analysis)

# Get the last commit diff
diff_info = analyzer.get_last_commit_diff()
print(diff_info)

# Get a formatted summary of the diff
diff_summary = analyzer.get_formatted_diff_summary()
print(diff_summary)

# Get AI analysis of the commit changes
diff_analysis = analyzer.analyze_commit_diff()
print(diff_analysis)

トラブルシューティング

プロメテウスの問題

  1. Prometheus が実行中であることを確認します: docker ps | grep prometheus

  2. Prometheus UI にアクセスできることを確認します: http://localhost:9090

  3. MCPサーバーが実行中でアクセス可能であることを確認する

  4. MCPサーバーのログでエラーを確認します

  5. まず簡単なクエリを試して接続を確認します（例： upクエリ）

OpenAIの問題

  1. APIキーが正しく設定されていることを確認してください

  2. レート制限またはクォータの問題を確認する

  3. APIキーでサポートされているモデルを使用していることを確認してください

Gitの問題

  1. GitリポジトリのURLにアクセスできることを確認する

  2. プライベートリポジトリを使用する場合は認証の問題を確認してください

  3. GitPythonが正しくインストールされていることを確認する

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessUnresponsive

Resources

Related MCP Connectors

Related MCP Servers

  • MCP File System Server

    kvas-it
    F
    license
    Not graded
    quality
    D
    maintenance
    This server provides an interface for performing basic file system operations such as navigation, reading, writing, and file analysis, allowing users to manage directories and files efficiently.
    4
    -

  • GitLab MCP Server

    chris-miaskowski
    F
    license
    Not graded
    quality
    D
    maintenance
    A custom server implementation that allows AI assistants to interact with GitLab repositories, providing capabilities for searching, fetching files, creating/updating content, and managing issues and merge requests.
    2
    -

  • mcp-git

    ver0-project
    -
    license
    A
    quality
    Not graded
    maintenance
    Provides comprehensive Git operations as tools for AI assistants and applications. This server enables AI systems to interact with Git repositories, allowing to initialize, fetch, commit, log, status, etc..
    10
    2 npm
    1
    -

Appeared in Searches