agentflow 데모 파이프라인을 위한 엔터프라이즈 아키텍처 지식 MCP 서버입니다. FastMCP + TypeScript로 구축되었으며 GCP Cloud Run에 배포됩니다.
이 서버는 아키텍처 에이전트(Architecture Agent)와 리스크 체커 에이전트(Risk Checker Agent)가 일반적인 LLM 추론 대신 선별된 엔터프라이즈 패턴에 기반하도록 하는 네 가지 도구를 제공합니다.
도구 | 호출 주체 | 반환 내용 |
| 아키텍트 에이전트 | 참조 아키텍처 패턴, 컴포넌트, 다이어그램 데이터 |
| 아키텍트 에이전트 | 제약 인지 추론을 포함한 플랫폼 추천 |
| 리스크 체커 에이전트 | 필수 통제 항목, 리스크 플래그, HITL 트리거 |
| 아키텍트 에이전트 | 회사 정체성, 포지셔닝, 로고(Brandfetch + logo.dev 경유) |
agentflow pipeline agentflow-mcp
┌──────────────────────┐ ┌───────────────────────┐
│ Qualifier Agent │ │ arch_pattern_lookup │
│ - clarifies the ask │ │ tool_selection_lookup │
└──────┬───────────────┘ │ risk_policy_lookup │
│ handoff │ brand_context_lookup │
┌──────▼───────────────┐ │ │
│ Architect Agent │──── MCP calls ───▶│ Source pack (data/) │
│ - pattern selection │ │ 102 markdown files │
│ - tool selection │◀── JSON response ─│ with YAML frontmatter │
│ - diagram rendering │ │ │
└──────┬───────────────┘ │ Brandfetch + logo.dev │
│ handoff │ (cached, additive) │
┌──────▼───────────────┐ └───────────────────────┘
│ Risk Checker Agent │──── risk_policy_lookup ──▶
│ - HITL gate trigger │◀── risk_flags, HITL ──
└──────────────────────┘MCP는 에이전트 오케스트레이터가 아니라 **도구 제공자(tool provider)**입니다. 에이전트 프롬프트와 아키텍처 다이어그램 스킬은 agentflow 프로젝트에 있습니다. MCP는 구조화된 데이터를 제공하고, 에이전트는 이를 해석하고 실행합니다.
Related MCP server: MCP Architect
Node.js >= 20
(선택 사항) brand_context_lookup을 위한 Brandfetch API 키 및 logo.dev 키
npm install
npm run dev # stdio transport (local dev + MCP Inspector)MCP_TRANSPORT=http-stream PORT=8080 npm run dev
# agentflow-mcp listening on http://0.0.0.0:8080/mcpnpm test # 31 unit + integration tests
npm run typecheck # tsc --noEmit
npm run check # biome lint + format.env.example을 .env로 복사하고 키를 입력하세요. 외부 API 키가 필요한 것은 brand_context_lookup뿐입니다. 나머지 세 도구는 소스 팩을 통해 오프라인에서 작동합니다.
변수 | 사용처 | 용도 |
|
| Brandfetch Brand Context API의 Bearer 토큰 |
|
| logo.dev Brand API의 Bearer 토큰 |
|
| logo.dev CDN URL용 공개 키 |
| 서버 |
|
| 서버 | HTTP 포트(기본값 8080, 전송이 |
API 키가 없으면 brand_context_lookup은 캐시된 도메인에 대해 캐시된 응답을 반환하고, 캐시되지 않은 도메인에 대해서는 정상적인 처리(graceful) 방식의 사용 불가 응답을 반환합니다. 나머지 세 도구는 계속 정상 작동합니다.
arch_pattern_lookup엔터프라이즈 요구 사항을 선별된 참조 아키텍처 패턴과 매칭합니다.
입력:
{
"industry": "media_agency",
"data_stack": ["BigQuery", "Snowflake"],
"cloud": "GCP",
"constraints": ["SAML SSO", "EU data residency", "cross-client governance"],
"latency": "batch"
}출력:
{
"pattern_id": "media_agency_audience_measurement",
"architecture_summary": "...",
"recommended_components": ["BigQuery", "Snowflake", "SAML SSO", "GCP EU Region"],
"data_zones": ["bronze", "silver", "gold"],
"integration_notes": ["..."],
"confidence": 0.87,
"diagram_data": {
"components": [{ "name": "BigQuery", "type": "database", "sublabel": "...", "zone": "gold" }],
"connections": [{ "from": "Users", "to": "SAML SSO", "label": "OAuth 2.0", "style": "dashed" }],
"boundaries": [{ "label": "GCP EU Region", "type": "region" }]
},
"source_references": [{ "path": "data/patterns/...", "title": "...", "source_url": "..." }]
}매칭 로직: 결정적이면서 규칙 기반입니다. 산업 매칭(40%) → 데이터 스택 중첩(30%) → 제약 충족도(30%) 순으로 확인합니다. 선별된 매칭(신뢰도 >= 0.85)에는 diagram_data와 소스 참조가 포함됩니다. 약한 매칭은 신뢰도 < 0.5인 일반적인 엔터프라이즈 AI POC 패턴으로 폴백됩니다.
tool_selection_lookup워크로드, 데이터 스택, 제약 조건 및 지연 시간을 기반으로 플랫폼을 추천합니다.
입력:
{
"use_case": "AI-powered patient insights",
"data_stack": ["Databricks"],
"constraints": ["HIPAA", "PHI", "US data residency"],
"latency": "batch"
}출력:
{
"recommended_platform": "Databricks",
"cloud_fit": "Azure or AWS",
"reasoning": "Strong lakehouse fit for healthcare AI with HIPAA-compliant governance...",
"alternatives": [{ "platform": "Snowflake", "rationale": "..." }, { "platform": "BigQuery", "rationale": "..." }]
}risk_policy_lookup규제 데이터에 대한 HITL 트리거를 비롯해 산업별 리스크 및 거버넌스 검사 항목을 반환합니다.
입력:
{
"industry": "healthcare",
"data_classification": ["PHI", "PII"],
"region": "US",
"deployment": "cloud",
"constraints": ["HIPAA"]
}출력:
{
"required_controls": ["RBAC", "audit logs", "data lineage", "SAML SSO"],
"risk_flags": ["prompt leakage", "overbroad analyst access"],
"hitl_required": true,
"review_reason": "PHI access requires human approval before final architecture signoff"
}HITL는 PHI, PII, 규제 금융 데이터 같은 규제 대상 데이터 유형에 대해 사람이 읽을 수 있는 review_reason과 함께 트리거됩니다.
brand_context_lookup계층형 캐싱을 적용하여 Brandfetch에서 풍부한 회사 컨텍스트를, logo.dev에서 로고를 가져옵니다.
입력:
{
"domain": "havas.com"
}출력:
{
"company_name": "Havas",
"domain": "havas.com",
"industry_hint": "media_agency",
"description": "...",
"tags": ["advertising", "marketing", "media"],
"positioning": { "value_proposition": "...", "target_audience": "...", "products_and_services": "..." },
"brand": { "voice": "...", "style": "..." },
"logo_url": "https://...",
"confidence": 0.85
}캐싱 계층: (1) 즉시 캐시 전용 조회를 위한 Brandfetch의 cachedOnly=true, (2) TTL이 적용된 로컬 파일 캐시. 반복 조회는 API 할당량을 소모하지 않고 캐시된 데이터를 반환합니다. API에 접근할 수 없을 때는 정상적으로 폴백됩니다.
data/ 디렉터리에는 구조화된 YAML frontmatter를 가진 마크다운(Markdown) 파일 102개가 포함되어 있으며, 다음과 같이 구성됩니다.
data/
├── industry/ # Industry-specific architecture notes
├── vendors/ # Vendor documentation (GCP, AWS, Azure, Snowflake, Databricks)
└── patterns/ # Curated reference architecture patterns (4 demo scenarios)Frontmatter 필드: type, title, source_url, vendor, industry, data_stack, cloud, constraints, compliance, region, data_zones, latency, pattern_id, architecture_summary, recommended_components, integration_notes, confidence_baseline, diagram_data.
소스 팩은 서버 시작 시 인메모리 인덱스로 로드되며, industry, data stack, constraints, pattern_id 기준으로 색인됩니다.
시나리오 | 산업 | 패턴 ID |
미디어 에이전시 오디언스 측정 |
|
|
헬스케어 환자 인사이트 |
|
|
리테일 레이크하우스 개인화 |
|
|
FSI 거버넌스 코파일럿 |
|
|
docker build -t agentflow-mcp .
docker run -p 8080:8080 agentflow-mcpgcloud run deploy agentflow-mcp \
--source . \
--region run.googleapis.com \
--port 8080 \
--set-env-vars "MCP_TRANSPORT=http-stream" \
--set-secrets "BRANDFETCH_API_KEY=brandfetch-api-key:latest,LOGO_DEV_SECRET_KEY=logo-dev-secret-key:latest,LOGO_DEV_PUBLISHABLE_KEY=logo-dev-publishable-key:latest"전체 서비스 구성은 cloud-run.yaml에서 확인할 수 있습니다.
App Engine Standard는 빌드 단계를 실행하지 않으므로 먼저 로컬에서 컴파일한 후 배포합니다.
npm run build # compile src/ -> dist/
# (Optional) Warm brand cache for demo domains before deploy
npx tsx scripts/brand-cache-warm.ts
gcloud app deploy # deploys with dist/ and data/ includedapp.yaml은 MCP_TRANSPORT=http-stream으로 설정하며, 유휴 상태일 때는 0으로 스케일링됩니다(데모에 더 저렴). App Engine은 PORT를 자동으로 설정하며, 서버는 이미 이것을 읽습니다.
시크릿은 Secret Manager 사용합니다.
# Create secrets
gcloud secrets create brandfetch-api-key --data-file=<(echo -n "$BRANDFETCH_API_KEY")
gcloud secrets create logo-dev-secret-key --data-file=<(echo -n "$LOGO_DEV_SECRET_KEY")
gcloud secrets create logo-dev-publishable-key --data-file=<(echo -n "$LOGO_DEV_PUBLISHABLE_KEY")
# Reference them in app.yaml (uncomment the includes: section)전체 구성은 app.yaml과 .gcloudignore에서 확인하세요.
스크립트 | 용도 |
|
|
| 소스 팩 파일의 frontmatter 생성 |
| 네 도구가 모두 MCP 도구 목록에 표시되는지 확인 |
| 네 데모 도메인에 대한 브랜드 캐시 사전 로드 |
npx tsx scripts/validate-source-pack.ts # validate source pack
npx tsx scripts/mcp-list-check.ts # verify tool discovery
npx tsx scripts/brand-cache-warm.ts # warm brand cachenpx @modelcontextprotocol/inspector npm run dev이 명령은 MCP Inspector UI가 실행하며, 여기서 도구를 대화형으로 호출하고 응답을 확인할 수 있습니다.
agentflow-mcp/
├── src/
│ ├── index.ts # MCP server entry point (stdio + http-stream)
│ ├── tools/
│ │ ├── archPatternLookup.ts # Pattern matching + confidence scoring
│ │ ├── toolSelectionLookup.ts # Platform recommendation
│ │ ├── riskPolicyLookup.ts # Risk/governance checks + HITL
│ │ └── brandContextLookup.ts # Brandfetch + logo.dev with caching
│ ├── data/
│ │ ├── loader.ts # Source pack parser + in-memory index
│ │ ├── brandfetchClient.ts # Brandfetch Brand Context API client
│ │ ├── logoDevClient.ts # logo.dev Brand API client
│ │ └── brandCache.ts # Local file cache with TTL
│ └── types/
│ ├── source.ts # Source pack entry types
│ ├── arch-pattern.ts # arch_pattern_lookup types
│ ├── tool-selection.ts # tool_selection_lookup types
│ ├── risk-policy.ts # risk_policy_lookup types
│ └── brand-context.ts # brand_context_lookup types
├── data/ # Source pack (102 markdown files)
│ ├── industry/
│ ├── vendors/
│ └── patterns/
├── tests/ # Unit + integration tests
├── docs/ # PRD, MCP overview
├── scripts/ # Validation + cache warming scripts
├── openspec/ # OpenSpec specs (4 capabilities)
│ ├── specs/ # Main specs (synced from archived change)
│ └── changes/archive/ # Archived change proposals
├── Dockerfile # Multi-stage build for Cloud Run
├── cloud-run.yaml # Cloud Run service config
└── package.json런타임: Node.js >= 20
MCP 프레임워크: FastMCP v4
언어: TypeScript(엄격 모드)
검증: Zod v4
린트/포맷팅: Biome
테스트: Node.js 내장 테스트 러너
배포: Docker + GCP Cloud Run
이 프로젝트는 스펙 기반 개발을 위해 OpenSpec을 사용합니다. 네 가지 도구 기능은 openspec/specs/ 아래에 정의되어 있습니다.
arch-pattern-lookup(요구 사항 7개)
brand-context-lookup(요구 사항 6개)
risk-policy-lookup(요구 사항 4개)
tool-selection-lookup(요구 사항 5개)
스펙 검증은 다음 명령으로 합니다.
openspec validate --specs
openspec doctorMIT
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Shared, permission-aware company context for AI agents, with provenance, approvals and audit.
Your company's brain for AI agents. Cited, permission-aware knowledge across every system.
Curated knowledge API for AI agents - skill packs, semantic search, validated patterns.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/ishfuseini/agentflow-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server