Servidor MCP Mnevis

⚠️ Esto es un experimento.

Un servidor MCP de Python ligero, sin dependencias que expone una única herramienta do_everything. Cualquier agente de IA que soporte MCP puede usarlo para delegar todo el trabajo de lenguaje a un endpoint local compatible con OpenAI.

Cómo funciona

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

El agente llama a la herramienta do_everything con un prompt (y opcionalmente una instrucción system).
El servidor reenvía la solicitud al LLM local usando la API estándar de chat-completions de OpenAI
y devuelve la respuesta del modelo al agente.

La descripción de la herramienta está redactada para que cualquier LLM entienda automáticamente que debe delegar
cada tarea a la herramienta en lugar de razonar por sí mismo.

Related MCP server: MCP-123

Requisitos

• Python 3.11+

• Sin paquetes de terceros — usa solo la biblioteca estándar (urllib, json, sys, os)

• Un LLM local en ejecución que exponga un endpoint /v1/chat/completions

Configuración

Todos los ajustes se leen de variables de entorno al inicio:

Ejemplos

Ollama (puerto por defecto 11434):

MNEVIS_MODEL=llama3 python server.py

LM Studio (puerto por defecto 1234):

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

vLLM con clave API:

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

Ejecutar el servidor

El servidor se comunica a través de stdio (JSON-RPC 2.0), por lo que es lanzado como proceso hijo por el host MCP — normalmente no lo ejecutas manualmente.

Para probarlo directamente:

python server.py

Luego pega un mensaje JSON-RPC en bruto, por ejemplo:

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

Registrar con un host MCP

Añade a tu mcp.json (del espacio de trabajo o global):

{
  "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": ""
      }
    }
  }
}

Para 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": ""
      }
    }
  }
}

Reemplaza la ruta args con la ruta absoluta real en tu máquina.
Configura MNEVIS_PORT / MNEVIS_MODEL para que coincidan con tu configuración LLM local.

Herramienta expuesta

do_everything

La descripción de la herramienta indica explícitamente al agente llamante que envíe cada tarea aquí en lugar de razonar por sí mismo.

health_check

Solicitud de ejemplo

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

Respuesta de ejemplo

{
  "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
  }
}

Estructura del proyecto

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

Licencia

MIT