Video Pipeline MCP Server
Video Pipeline MCP Server
MCP-сервер для управления видеопайплайном. Работает с Claude AI Web через cloudflared-туннель.
Статус (2026-07): реализован слой управления данными (файлы, таблицы/Excel, структура каналов, поиск) + файрвол + транспорт. Продуктовый видео-пайплайн (озвучка/транскрибация/картинки/монтаж) — в разработке. План доведения до корпоративного уровня:
docs/roadmap/. Легенда ниже: ✅ реализовано · 🟠 заглушка/частично · 🔲 план.
Структура проекта (фактическая)
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/)Инструменты сейчас (52 в tools/list): ✅ fs_* (файлы), table_*/json_* (таблицы),
excel_* (книги), structure_* (создание каналов/видео по шаблонам), search_* (поиск);
🟠 tts_*/stt_*/img_*/video (media — заглушки).
Related MCP server: Video MCP
Установка
./install.sh # .venv + БАЗОВЫЕ зависимости (включая torch) + cloudflared
./install.sh --media # + облачные/HTTP-провайдеры и ONNX (bg_removal/upscale)
./install.sh --local # + модели поверх torch (stable-ts/piper/diffusers)
./install.sh --gpu-amd # + torch на карте AMD (rocm-сборка вместо cuda)Экономия: torch идёт в базе — локальный инференс работает сразу после установки, без второго
pip install. Optional-группы добавляют только то, что не нужно пустому серверу: стабильные
модели (stable-ts/piper/diffusers), шлюзы облака (litellm/httpx) и ONNX-графы
(onnxruntime/pillow). Сервер на чистой базе работает, а media-инструменты честно отвечают
PROVIDER_NOT_CONFIGURED / LOCAL_INFERENCE_FAILED.
Запуск
./run.sh # сервер + туннель (--no-tunnel — только локально)Локальные модели и раннеры
Каждая установленная локальная модель живёт в своём контейнере (docker/runner.Dockerfile):
её падение (OOM, битые веса) роняет только её контейнер, а не сервер и не соседние модели.
Супервизор ведёт реестр раннеров (имя, порт, токен, pid) в vendor/runner/state.json и
прозванивает живость по /health, а не верит записи.
docker build -f docker/runner.Dockerfile -t video-pipeline-runner .
# управление раннерами — инструмент media_runner:
# media_runner(action='start', model='<имя>') — поднять контейнер конкретной модели
# media_runner(action='start') — раннер по умолчанию (пул всех моделей)
# media_runner(action='stop') — остановить всё
# media_runner(action='status') — фаза (running/exited/stopped) каждого раннераПорт каждого контейнера модели — первый свободный из docker.port_range в
config/providers.yaml (по умолчанию 8771–8799), публикуется только на петлю
127.0.0.1. Токен и имя модели приходят переменными окружения, а не аргументами —
в ps их значений нет. Раннер, закреплённый за моделью, отказывает чужой модели кодом
MODEL_MISMATCH. Авто-перезапуска нет намеренно: упавший контейнер виден как exited
с хвостом журнала, а поднимает его человек или ИИ той же командой.
Зависимости
Источник истины — pyproject.toml (pip install -e .); точные пины базы — requirements.lock;
dev-инструменты — pip install -e ".[dev]"; media — pip install -e ".[media]"; локальный
ML-инференс — pip install -e ".[local]" (и pip install -e ".[gpu-amd]" для карт AMD).
База (обязательная, ~1.7 ГБ с torch)
Пакет | Зачем |
pydantic | контракты (ToolResult, ErrorDetail) |
openpyxl | работа с Excel |
pyyaml · jsonschema | чтение конфигов · валидация params по схеме |
aiohttp | HTTP-транспорт сервера за туннелем |
cryptography | подпись артефактов (S9), ключ инстанса |
torch · torchaudio | рантайм локального инференса (в базе намеренно: без него |
Media (по запросу, .[media])
Пакет | Зачем |
httpx | HTTP-клиент к облачным шлюзам провайдеров |
litellm | унифицированный доступ к онлайн-моделям (STT/TTS/IMG) |
onnxruntime · pillow | удаление фона, апскейл (граф ONNX) |
ffmpeg-python | видео-операции |
Local (по запросу, .[local] — модели поверх torch)
Пакет | Зачем |
stable-ts | локальная транскрипция (whisper) |
piper-tts · diffusers · transformers | озвучка, генерация картинок |
cloudflared — бинарь (не pip), ставится install.sh.
Разработка
План развития, находки и канон спек: docs/roadmap/.
Предложения по улучшению функций: 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