Mnevis MCP Server

⚠️ Это эксперимент.

Легковесный, без внешних зависимостей Python MCP-сервер, предоставляющий единственный инструмент do_everything. Любой ИИ-агент, поддерживающий MCP, может использовать его, чтобы перенести всю работу языковой модели на локальную конечную точку, совместимую с OpenAI.

Как это работает

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

Агент вызывает инструмент do_everything с prompt (и опциональной системной инструкцией system).
Сервер пересылает запрос локальной LLM, используя стандартный API чат-завершений OpenAI,
и возвращает ответ модели агенту.

Описание инструмента сформулировано так, чтобы любая LLM автоматически поняла: нужно делегировать
каждую задачу этому инструменту, а не рассуждать самостоятельно.

Related MCP server: MCP-123

Требования

• Python 3.11+

• Сторонние пакеты не требуются — используется только стандартная библиотека (urllib, json, sys, os)

• Запущенная локальная LLM, предоставляющая конечную точку /v1/chat/completions

Конфигурация

Все настройки считываются из переменных окружения при запуске:

Примеры

Ollama (порт по умолчанию 11434):

MNEVIS_MODEL=llama3 python server.py

LM Studio (порт по умолчанию 1234):

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

vLLM с API-ключом:

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

Запуск сервера

Сервер общается через stdio (JSON-RPC 2.0), поэтому он запускается как дочерний процесс
MCP-хоста — в большинстве случаев вы не запускаете его вручную.

Для прямого тестирования:

python server.py

Затем вставьте сырое JSON-RPC-сообщение, например:

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

Регистрация в MCP-хосте

Добавьте в ваш mcp.json (рабочей области или глобальный):

{
  "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": ""
      }
    }
  }
}

Для 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": ""
      }
    }
  }
}

Замените путь в args на фактический абсолютный путь на вашей машине.
Установите MNEVIS_PORT / MNEVIS_MODEL в соответствии с вашей локальной LLM.

Предоставляемые инструменты

do_everything

Описание инструмента явно предписывает вызывающему агенту отправлять каждую задачу сюда, а не рассуждать самостоятельно.

health_check

Пример запроса

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

Пример ответа

{
  "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
  }
}

Структура проекта

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

Лицензия

MIT