Video Pipeline MCP Server
Video Pipeline MCP Server
MCP-Server zur Verwaltung der Video-Pipeline. Arbeitet mit Claude AI Web über einen cloudflared-Tunnel.
Status (2026-07): Die Datenschicht (Dateien, Tabellen/Excel, Kanalstruktur, Suche) + Firewall + Transport sind implementiert. Die produktive Video-Pipeline (Sprachausgabe/Transkription/Bilder/Schnitt) befindet sich in Entwicklung. Plan zur Erreichung des Unternehmensniveaus:
docs/roadmap/. Legende unten: ✅ implementiert · 🟠 Platzhalter/teilweise · 🔲 geplant.
Projektstruktur (aktuell)
video_pipeline_mcp/
├── server.py ✅ точка входа: MCP-эндпоинт + туннель; регистрация инструментов
├── pyproject.toml ✅ сборка/зависимости (PEP 621) · requirements.lock — точные пины
├── install.sh · run.sh ✅ установка (.venv + cloudflared) · запуск (--tunnel)
│
├── config/ ✅ декларации (поведение, НЕ код)
│ │ (конфиг канала с S22 — не файл, а 7 листов channel_data.xlsx:
│ │ RESOURCE_LIMITS, WORKFLOW_SEQUENCES, PUBLISHING_SCHEDULE,
│ │ METADATA_DEFAULTS, AUTOMATION_RULES, SCENE_PROFILE, RENDER_CONFIG)
│ ├── server_reactions.yaml ✅ реестр реакций (коды → класс + recovery)
│ ├── firewall.yaml ✅ правила файрвола
│ ├── tunnel.yaml ✅ конфиг туннеля (gitignored — секрет)
│ └── templates/
│ ├── workspace/ ✅ 6 шаблонов: niche/network/channel/video/competitor_channel/competitor_video
│ └── tables/ 🔲 схемы книг (*.schema.yaml) — воркстрим A1′
│
├── core/ — ядро (бизнес-логика)
│ ├── contracts/ ✅ Pydantic: ToolResult, ErrorDetail, Fact, TaskStatus
│ ├── engine/ ✅ generic-движок + template_engine
│ ├── firewall/ ✅ файрвол + rules/ (rate_limit, injection, ip_blocklist, anomaly)
│ ├── state/ ✅ read.json / write.json / session log
│ ├── reactions/ ✅ читалка server_reactions
│ ├── ids/ ✅ генерация ID + link_registry
│ ├── tables/ · excel/ ✅ слой таблиц и Excel-книг
│ ├── search/ ✅ поиск по ФС/таблицам (FsSearcher + QueryPlanner)
│ ├── transport/ ✅ туннель к Claude (transport + tunnel)
│ ├── runner/ ✅ инференс в отдельном процессе: сервис на петле + супервизор
│ ├── paths.py ✅ containment путей в workspace/
│ └── providers/ 🟠 адаптеры провайдеров (заглушки — в разработке)
│ ├── stt/ (stable-ts) · tts/ (LiteLLM) · img/ (LiteLLM) · ffmpeg/ (внешний MCP)
│
├── tools/ 🔲 тонкие обёртки Bounded Context (план: вынос из server.py, A2)
├── pipeline/ 🔲 оркестрация процессов (entry_points + steps) — план
├── scripts/ 🔲 утилиты (план: introspect_tables.py — A1′)
├── docker/ ✅ образ раннера (среда инференса заперта в контейнере)
├── tests/ ✅ quick/ (unit) + симуляции (virus/bot_army/cache_*/…)
└── docs/
├── dev/ — история файлов, спеки (gitignored)
└── roadmap/ ✅ план развития до корпоративного уровня + канон спек (spec/)Aktuelle Werkzeuge (52 in tools/list): ✅ fs_* (Dateien), table_*/json_* (Tabellen), excel_* (Arbeitsmappen), structure_* (Erstellung von Kanälen/Videos nach Vorlagen), search_* (Suche); 🟠 tts_*/stt_*/img_*/video (Media – Platzhalter).
Related MCP server: Video MCP
Installation
./install.sh # .venv + БАЗОВЫЕ зависимости + cloudflared
./install.sh --media # + облачные/HTTP-провайдеры и ONNX (bg_removal/upscale)
./install.sh --local # + локальный ML-инференс (torch/stable-ts/piper/diffusers)
./install.sh --gpu-amd # + локальный инференс на карте AMD (rocm-сборка torch)Einsparung: Die Basis wird ohne schwere Bibliotheken installiert (torch ~3 GB, stable-ts, litellm, onnxruntime) – diese werden lazy importiert und in optionale Gruppen ausgelagert. Der Server funktioniert auf reiner Basis, Media-Werkzeuge antworten ehrlich mit PROVIDER_NOT_CONFIGURED / LOCAL_INFERENCE_FAILED.
Start
./run.sh # сервер + туннель (--no-tunnel — только локально)Abhängigkeiten
Wahrheitsquelle ist pyproject.toml (pip install -e .); exakte Pins der Basis – requirements.lock; Dev-Werkzeuge – pip install -e ".[dev]"; Media – pip install -e ".[media]"; lokale ML-Inferenz – pip install -e ".[local]" (und pip install -e ".[gpu-amd]" für AMD-Karten).
Basis (obligatorisch, ~50 MB)
Paket | Zweck |
pydantic | Verträge (ToolResult, ErrorDetail) |
openpyxl | Arbeit mit Excel |
pyyaml · jsonschema | Lesen von Konfigurationen · Validierung von Parametern nach Schema |
aiohttp | HTTP-Transport des Servers hinter dem Tunnel |
cryptography | Signierung von Artefakten (S9), Instanzschlüssel |
Media (auf Anfrage, .[media])
Paket | Zweck |
httpx | HTTP-Client zu Cloud-Gateways der Anbieter |
litellm | einheitlicher Zugriff auf Online-Modelle (STT/TTS/IMG) |
onnxruntime · pillow | Hintergrundentfernung, Upscaling (ONNX-Graph) |
ffmpeg-python | Video-Operationen |
Local (auf Anfrage, .[local] – Gigabyte an Laufzeit)
Paket | Zweck |
torch · torchaudio | Laufzeit der lokalen Inferenz |
stable-ts | lokale Transkription (whisper) |
piper-tts · diffusers · transformers | Sprachausgabe, Bildgenerierung |
cloudflared – Binärdatei (nicht pip), wird mit install.sh installiert.
Entwicklung
Entwicklungsplan, Erkenntnisse und Kanon der Spezifikationen: docs/roadmap/. Vorschläge zur Funktionsverbesserung: docs/roadmap/spec/IMPROVEMENTS.md.
This server cannot be deployed
Maintenance
Related MCP Connectors
MCP server unifying ERPs, CRMs, APIs and knowledge base for Claude, ChatGPT and Gemini.
MCP server for Wan AI video generation
MCP server for Clipkit — gives AI agents a video toolbox via the Clipkit schema.
Guardrailed video editing MCP server: 200 FFmpeg tools, Video Receipts, Shorts repurposing.
1201
Related MCP Servers
- AlicenseAqualityCmaintenanceMCP server for AI-powered image, audio, and video generation, enabling media creation directly from Claude, Cursor, and other MCP clients.1129 npmMIT
- FlicenseNot gradedqualityDmaintenanceA local MCP server that gives Claude Desktop full video editing capabilities via FFmpeg, Whisper, and yt-dlp.-
- FlicenseBqualityDmaintenanceMCP server that enables video analysis capabilities to Claude, including frame extraction, scene detection, and video metadata retrieval.8-
- AlicenseAqualityBmaintenanceAn MCP server enabling Claude Code to analyze any video (local file, URL, or Jira ticket attachment) by extracting frame images and audio transcripts, or using Gemini for native video analysis.467 PyPIMIT