Mnevis MCP Server

⚠️ Dies ist ein Experiment.

Ein leichtgewichtiger, abhängigkeitsfreier Python-MCP-Server, der ein einziges do_everything-Tool bereitstellt. Jeder KI-Agent, der MCP unterstützt, kann ihn nutzen, um sämtliche Sprachmodell-Arbeit an einen lokalen, OpenAI-kompatiblen Endpunkt auszulagern.

Funktionsweise

AI Agent
    │
    │  MCP stdio (JSON-RPC 2.0)
    ▼
mnevis  server.py
    │
    │  HTTP POST /v1/chat/completions
    ▼
Local LLM  (Ollama, LM Studio, llama.cpp, vLLM, …)

Der Agent ruft das do_everything-Tool mit einem prompt (und optional einer system-Anweisung) auf.
Der Server leitet die Anfrage unter Verwendung der standardmäßigen OpenAI-Chat-Completions-API an das lokale LLM weiter
und gibt die Antwort des Modells an den Agenten zurück.

Die Tool-Beschreibung ist so formuliert, dass jedes LLM automatisch versteht, dass es jede Aufgabe an das Tool delegieren sollte, anstatt selbst zu schlussfolgern.

Related MCP server: MCP-123

Voraussetzungen

• Python 3.11+

• Keine Drittanbieter-Pakete — verwendet nur die Standardbibliothek (urllib, json, sys, os)

• Ein laufendes lokales LLM, das einen /v1/chat/completions-Endpunkt bereitstellt

Konfiguration

Alle Einstellungen werden beim Start aus Umgebungsvariablen gelesen:

Beispiele

Ollama (Standard-Port 11434):

MNEVIS_MODEL=llama3 python server.py

LM Studio (Standard-Port 1234):

MNEVIS_URL=http://localhost MNEVIS_PORT=1234 MNEVIS_MODEL=lmstudio-community/Meta-Llama-3-8B-Instruct python server.py

vLLM mit API-Schlüssel:

MNEVIS_URL=http://my-gpu-box MNEVIS_PORT=8000 MNEVIS_MODEL=mistral-7b MNEVIS_API_KEY=secret python server.py

Server ausführen

Der Server kommuniziert über stdio (JSON-RPC 2.0), daher wird er als untergeordneter Prozess vom MCP-Host gestartet — in den meisten Fällen führen Sie ihn nicht manuell aus.

Zum direkten Testen:

python server.py

Fügen Sie dann eine rohe JSON-RPC-Nachricht ein, z.B.:

{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"0.0.1"}}}

Bei einem MCP-Host registrieren

Fügen Sie zu Ihrer mcp.json (Arbeitsbereich oder global) hinzu:

{
  "mcpServers": {
    "mnevis": {
      "command": "python",
      "args": ["/absolute/path/to/mnevis-mcp/server.py"],
      "env": {
        "MNEVIS_URL":   "http://localhost",
        "MNEVIS_PORT":  "11434",
        "MNEVIS_MODEL": "llama3",
        "MNEVIS_API_KEY": ""
      }
    }
  }
}

Für VSCode:

{
  "servers": {
    "mnevis": {
      "command": "python",
      "args": ["/absolute/path/to/mnevis-mcp/server.py"],
      "env": {
        "MNEVIS_URL":   "http://localhost",
        "MNEVIS_PORT":  "11434",
        "MNEVIS_MODEL": "llama3",
        "MNEVIS_API_KEY": ""
      }
    }
  }
}

Ersetzen Sie den args-Pfad durch den tatsächlichen absoluten Pfad auf Ihrem Rechner.
Setzen Sie MNEVIS_PORT / MNEVIS_MODEL entsprechend Ihrer lokalen LLM-Konfiguration.

Bereitgestellte Tools

do_everything

Die Tool-Beschreibung weist den aufrufenden Agenten explizit an, jede Aufgabe hierher zu senden, anstatt selbst zu schlussfolgern.

health_check

Beispielanfrage

{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"health_check","arguments":{}}}

Beispielantwort

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [{"type": "text", "text": "mnevis version 1.0.0 | model=llama3 | url=http://localhost:11434 | timeout=120s"}],
    "isError": false
  }
}

Projektstruktur

mnevis-mcp/
├── server.py        # MCP server (single file, stdlib only)
├── pyproject.toml   # Project metadata
├── README.md        # This file
└── .gitignore

Lizenz

MIT