FastMCP - Servidor de protocolo de contexto de modelo

Un servidor de Protocolo de Contexto de Modelo (MCP) liviano implementado con FastMCP , un marco rápido y Pythonic para crear servidores y clientes MCP.

Características

• Crear, recuperar, actualizar y eliminar contextos de modelos

• Ejecución de consultas en contextos específicos

• Filtrar por nombre de modelo y etiquetas

• Almacenamiento en memoria (para desarrollo)

• Integración de FastMCP para un desarrollo sencillo del servidor MCP

• Integración de Datadog para métricas y monitoreo

Related MCP server: PostgreSQL MCP Server

Requisitos

• Python 3.7+

• FastMCP

• uv (recomendado para la gestión ambiental)

• Cuenta Datadog (opcional, para métricas)

Instalación

Uso de uv (recomendado)

La forma más sencilla de instalarlo es utilizando los scripts proporcionados:

Unix/Linux/macOS

# Clone the repository
git clone https://github.com/yourusername/datadog-mcp-server.git
cd datadog-mcp-server

# Make the install script executable
chmod +x install.sh

# Run the installer
./install.sh

Ventanas

# Clone the repository
git clone https://github.com/yourusername/datadog-mcp-server.git
cd datadog-mcp-server

# Run the installer
.\install.ps1

Instalación manual

# Clone the repository
git clone https://github.com/yourusername/datadog-mcp-server.git
cd datadog-mcp-server

# Create and activate a virtual environment with uv
uv venv
# On Unix/Linux/macOS:
source .venv/bin/activate
# On Windows:
.\.venv\Scripts\activate

# Install dependencies
uv pip install -r requirements.txt

Configuración de Datadog

El servidor se integra con Datadog para métricas y monitorización. Puede configurar las credenciales de la API de Datadog de varias maneras:

1. Variables de entorno

Establezca estas variables de entorno antes de iniciar el servidor:

# Unix/Linux/macOS
export DATADOG_API_KEY=your_api_key
export DATADOG_APP_KEY=your_app_key  # Optional
export DATADOG_SITE=datadoghq.com    # Optional, default: datadoghq.com

# Windows PowerShell
$env:DATADOG_API_KEY = 'your_api_key'
$env:DATADOG_APP_KEY = 'your_app_key'  # Optional
$env:DATADOG_SITE = 'datadoghq.com'    # Optional

2. Archivo .env

Cree un archivo .env en el directorio del proyecto:

DATADOG_API_KEY=your_api_key
DATADOG_APP_KEY=your_app_key
DATADOG_SITE=datadoghq.com

3. Instalación de la CLI de FastMCP

Al instalar como una herramienta de Claude Desktop, puede pasar variables de entorno:

fastmcp install mcp_server.py --name "Model Context Server" -v DATADOG_API_KEY=your_api_key

4. Configuración del tiempo de ejecución

Utilice la herramienta configure_datadog en tiempo de ejecución:

result = await client.call_tool("configure_datadog", {
    "api_key": "your_api_key",
    "app_key": "your_app_key",  # Optional
    "site": "datadoghq.com"     # Optional
})

Uso

Iniciando el servidor

# Start directly from activated environment
python mcp_server.py

# Or use uv run (no activation needed)
uv run python mcp_server.py

# Use FastMCP CLI for development (if in activated environment)
fastmcp dev mcp_server.py

# Use FastMCP CLI with uv (no activation needed)
uv run -m fastmcp dev mcp_server.py

Instalación como una herramienta de escritorio de Claude

# From activated environment
fastmcp install mcp_server.py --name "Model Context Server"

# Using uv directly
uv run python -m fastmcp install mcp_server.py --name "Model Context Server"

# With Datadog API key
fastmcp install mcp_server.py --name "Model Context Server" -v DATADOG_API_KEY=your_api_key

Usando las herramientas

El servidor proporciona las siguientes herramientas:

• create_context - Crea un nuevo contexto

• get_context - Recuperar un contexto específico

• update_context - Actualizar un contexto existente

• delete_context - Eliminar un contexto

• list_contexts - Lista todos los contextos (con filtrado opcional)

• query_model - Ejecutar una consulta en un contexto específico

• health_check - Comprobación del estado del servidor

• configure_datadog - Configurar la integración de Datadog en tiempo de ejecución

Solicitudes de ejemplo

Creando un contexto

result = await client.call_tool("create_context", {
    "context_id": "model-123",
    "model_name": "gpt-3.5",
    "data": {
        "parameters": {
            "temperature": 0.7
        }
    },
    "tags": ["production", "nlp"]
})

Ejecutar una consulta

result = await client.call_tool("query_model", {
    "context_id": "model-123",
    "query_data": {
        "prompt": "Hello, world!"
    }
})

Configuración de Datadog

result = await client.call_tool("configure_datadog", {
    "api_key": "your_datadog_api_key",
    "app_key": "your_datadog_app_key",  # Optional
    "site": "datadoghq.com"             # Optional
})

Métricas de Datadog

El servidor informa las siguientes métricas a Datadog:

• mcp.contexts.created - Eventos de creación de contexto

• mcp.contexts.updated - Eventos de actualización de contexto

• mcp.contexts.deleted - Eventos de eliminación de contexto

• mcp.contexts.accessed - Eventos de acceso al contexto

• mcp.contexts.total - Número total de contextos

• mcp.contexts.listed - Lista de eventos de operación de contextos

• mcp.queries.executed - Eventos de ejecución de consultas

• mcp.server.startup - Eventos de inicio del servidor

• mcp.server.shutdown - Eventos de apagado del servidor

Desarrollo

Consulte el mcp_example.py incluido para ver un ejemplo de implementación del cliente:

# Run the example client (with activated environment)
python mcp_example.py

# Run with uv (no activation needed)
uv run python mcp_example.py

Licencia

Instituto Tecnológico de Massachusetts (MIT)

Recursos

• Documentación de FastMCP

• Especificación del protocolo de contexto del modelo

• Administrador de paquetes uv

• Documentación de la API de Datadog