MCP Server es una implementación basada en FastAPI del Protocolo de contexto de modelo (MCP) que proporciona una interfaz estandarizada para la interacción entre modelos LLM y aplicaciones.
🚀 API de alto rendimiento basada en FastAPI y operaciones asincrónicas
🔄 Soporte completo de MCP con recursos, instrumentos, indicaciones y muestreo
📊 Monitoreo y métricas a través de Prometheus y Grafana
🧩 Extensibilidad a través de interfaces sencillas para agregar nuevas herramientas
📝 API GraphQL para trabajar de forma flexible con datos
💬 Compatibilidad con WebSockets para interacción en tiempo real
🔍 Búsqueda semántica mediante integración con Elasticsearch
🗃️ Almacenamiento en caché a través de Redis para un mejor rendimiento
📦 Administre dependencias a través de Poetry para una gestión confiable de paquetes
Related MCP server: MCP Platform
Repositorio de clones:
git clone https://github.com/yourusername/myaiserv.git
cd myaiservInstalar Poetry (si aún no está instalado):
curl -sSL https://install.python-poetry.org | python3 -Instalar dependencias mediante Poetry:
poetry installpoetry run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reloadO mediante la utilidad justa:
just runDespués del lanzamiento, la API estará disponible en: http://localhost:8000
Interfaz de usuario Swagger: http://localhost:8000/docs
ReDoc: http://localhost:8000/redoc
Zona de juegos de GraphQL: http://localhost:8000/graphql
myaiserv/
├── app/
│ ├── core/ # Базовые компоненты MCP
│ │ ├── base_mcp.py # Абстрактные классы MCP
│ │ └── base_sampling.py # Базовые классы для сэмплирования
│ ├── models/ # Pydantic модели
│ │ ├── mcp.py # Модели данных MCP
│ │ └── graphql.py # GraphQL схема
│ ├── services/ # Бизнес-логика
│ │ └── mcp_service.py # Сервис MCP
│ ├── storage/ # Хранилище данных
│ ├── tools/ # Инструменты MCP
│ │ ├── example_tool.py # Примеры инструментов
│ │ └── text_processor.py # Инструмент обработки текста
│ ├── utils/ # Утилиты
│ └── main.py # Точка входа FastAPI
├── app/tests/ # Тесты
├── docs/ # Документация
│ └── MCP_API.md # Описание API
├── pyproject.toml # Конфигурация Poetry и инструментов
└── .justfile # Задачи для утилиты justUna herramienta del sistema de archivos que admite la lectura, escritura, eliminación y listado de archivos.
curl -X POST "http://localhost:8000/tools/file_operations" \
-H "Content-Type: application/json" \
-d '{"operation": "list", "path": "."}'Una herramienta para obtener datos meteorológicos por coordenadas.
curl -X POST "http://localhost:8000/tools/weather" \
-H "Content-Type: application/json" \
-d '{"latitude": 37.7749, "longitude": -122.4194}'Una herramienta para el análisis de texto, que incluye detección de sentimientos y resumen.
curl -X POST "http://localhost:8000/tools/text_analysis" \
-H "Content-Type: application/json" \
-d '{"text": "Example text for analysis", "analysis_type": "sentiment"}'Una herramienta para el procesamiento de texto, incluyendo formato, cálculo de estadísticas y extracción de entidades.
curl -X POST "http://localhost:8000/tools/text_processor" \
-H "Content-Type: application/json" \
-d '{"operation": "statistics", "text": "Example text", "stat_options": ["chars", "words"]}'Una herramienta de procesamiento de imágenes que permite cambiar el tamaño, recortar y aplicar filtros.
curl -X POST "http://localhost:8000/tools/image_processing" \
-H "Content-Type: application/json" \
-d '{"operation": "resize", "image_data": "base64...", "params": {"width": 800, "height": 600}}'Para conectarse a la API de WebSocket:
const socket = new WebSocket("ws://localhost:8000/ws");
socket.onopen = () => {
socket.send(JSON.stringify({
type: "initialize",
id: "my-request-id"
}));
};
socket.onmessage = (event) => {
const data = JSON.parse(event.data);
console.log("Received:", data);
};Ejemplos de consultas mediante GraphQL:
# Получение списка всех инструментов
query {
getTools {
name
description
}
}
# Выполнение инструмента
mutation {
executeTool(input: {
name: "text_processor",
parameters: {
operation: "statistics",
text: "Example text for analysis"
}
}) {
content {
type
text
}
is_error
}
}Para ejecutar pruebas, utiliza Poetry:
poetry run pytestO mediante la utilidad justa:
just testdocker compose up -dPara iniciar servicios individuales:
docker compose up -d web redis elasticsearchMCP Server proporciona una interfaz estandarizada para la integración con modelos LLM de varios proveedores:
import httpx
async def query_mcp_with_llm(prompt: str):
async with httpx.AsyncClient() as client:
# Запрос к MCP для получения контекста и инструментов
tools_response = await client.get("http://localhost:8000/tools")
tools = tools_response.json()["tools"]
# Отправка запроса к LLM с включением MCP контекста
llm_response = await client.post(
"https://api.example-llm.com/v1/chat",
json={
"messages": [
{"role": "system", "content": "You have access to the following tools:"},
{"role": "user", "content": prompt}
],
"tools": tools,
"tool_choice": "auto"
}
)
return llm_response.json()El servidor MCP proporciona métricas en formato Prometheus a través del punto final /metrics . Las métricas incluyen:
Número de solicitudes a cada herramienta
Tiempo de ejecución de la consulta
Errores y excepciones
Para formatear el código y comprobarlo con linters:
just fmt
just lintThis server cannot be deployed
Model Context Protocol server for the Apideck Unified API. Connect any MCP-compatible agent framework to 100+ accounting systems, HRIS platforms, file storage providers, and more through one integration. More information https://www.apideck.com/mcp-server
A comprehensive Model Context Protocol (MCP) server that enables AI assistants to interact with yo…
MCP server for building and testing AI agents with multi-model experimentation and insights.
Hosted MCP server for LLM cost estimation, model comparison, and budget-aware routing.
