connected-car-mcp

Ein MCP-Server (Model Context Protocol) über eine synthetische Flotte vernetzter Fahrzeuge: Telemetrie, regelbasierte Anomalieerkennung und Wartungsempfehlungen, bereitgestellt als fünf schmale Tools statt einer offenen Abfrageschnittstelle.

Gebaut als kleine, in sich geschlossene Illustration einer bestimmten Design-Gewohnheit: zu entscheiden, was hinter eine Tool-Grenze gehört, und jeden Aufruf darüber zu protokollieren. Läuft vollständig auf lokal generierten synthetischen Daten – keine externe API, kein Konto, keine proprietäre Quelle.

Warum es so geformt ist

Der gesamte Datensatz könnte über ein einziges run_query(sql: str)-Tool bereitgestellt werden. Das ist die falsche Form für einen Agenten, um es zuverlässig aufzurufen: Es verlagert das Schema-Lernen auf das Modell zum Zeitpunkt des Aufrufs, und es gibt keine Möglichkeit, „was gefragt werden kann“ pro Fähigkeit einzugrenzen oder zu prüfen. Stattdessen:

Ein Modell setzt diese zusammen – Zusammenfassung → ein markiertes Fahrzeug auswählen → seine Telemetrie abrufen → eine Empfehlung erhalten – anstatt Freiform-Abfragen gegen Rohzeilen zu schreiben. Das macht auch die Audit-Geschichte trivial: Es gibt nur fünf klar definierte Aufrufe zu protokollieren, also ist audit_log.jsonl (siehe connected_car_mcp/audit.py) eine Zeile pro Aufruf – Zeitstempel, Tool, Argumente, Dauer, Erfolg/Fehler – ohne benutzerdefinierte Logik pro Tool. Eine Produktionsbereitstellung würde denselben Datensatz als strukturierte Logs über den middleware-Hook von MCPServer ausgeben (der jeden JSON-RPC-Aufruf, Tool oder Ressource sieht) anstatt über eine lokale Datei; der Dekorator hier hält die Demo mit null zusätzlicher Infrastruktur lauffähig.

Anomalieschwellen sind absichtlich einfach und erklärbar (engine_temp_c >= 110, kein trainiertes Modell) – die Kennzeichnungen eines Flottenmonitors müssen von einem Menschen prüfbar sein, nicht nur genau.

Related MCP server: mcp-live-telemetry

Daten

data/generate_telemetry.py erzeugt einen deterministischen (festen Seed), vollständig synthetischen Datensatz: 12 Fahrzeuge, Messwerte alle 10 Minuten über 3 Tage. Einige Fahrzeuge sind mit Fehlern versehen, damit der Anomaliedetektor ein echtes Signal zu finden hat:

• CCV-004 — Motortemperatur steigt in den kritischen Bereich (Kühlsystemausfall)

• CCV-009 — Batteriespannung verschlechtert sich im Laufe der Zeit (defekte Batterie/Lichtmaschine)

• CCV-002, CCV-011 — intermittierende DTC-Fehlercodes

• CCV-006 — gelegentliche Geschwindigkeitsspitzen durch aggressives Fahren

data/telemetry.csv ist eingecheckt, damit das Repo sofort läuft; regenerieren Sie es mit:

python data/generate_telemetry.py

Ausführen

python -m venv .venv
.venv/Scripts/activate        # .venv/bin/activate on macOS/Linux
pip install -r requirements.txt

python -m connected_car_mcp.server   # starts the MCP server over stdio

Um es von Claude Desktop oder einem anderen MCP-Client auszuprobieren, zeigen Sie mit cwd auf das Modul, das auf das Repo-Root gesetzt ist, z. B. in claude_desktop_config.json:

{
  "mcpServers": {
    "connected-car-fleet": {
      "command": "python",
      "args": ["-m", "connected_car_mcp.server"],
      "cwd": "/path/to/connected-car-mcp"
    }
  }
}

Fragen Sie dann etwas wie „Welche Fahrzeuge in der Flotte benötigen jetzt Aufmerksamkeit und warum?“ – das Modell ruft fleet_health_summary auf, folgt mit detect_anomalies auf den markierten Fahrzeugen und kann get_maintenance_recommendations aufrufen, um das in nächste Maßnahmen umzuwandeln.

Tests

pip install pytest
pytest tests/

Deckt die Datenschicht direkt ab (Flottengröße, Behandlung unbekannter Fahrzeuge und dass die eingebetteten Fehler tatsächlich gekennzeichnet werden) anstatt über die MCP-Protokollschicht zu gehen.

Projektstruktur

connected_car_mcp/
  server.py       MCP tool + resource definitions
  data_store.py   Query layer over the telemetry CSV (pandas)
  audit.py        Per-call audit log decorator
data/
  generate_telemetry.py   Synthetic dataset generator
  telemetry.csv            Generated dataset (committed)
tests/
  test_data_store.py

Lizenz

MIT — siehe LICENSE.