Fledge MCP服务器
这是一个模型上下文协议（MCP）服务器，它将Fledge功能连接到Cursor AI，允许AI通过自然语言命令与Fledge实例交互。
先决条件
- Fledge安装在本地或可通过API访问（默认值：http://localhost:8081)
- 已安装Cursor AI
- Python 3.8+
安装
- 克隆此存储库：
git clone https://github.com/Krupalp525/fledge-mcp.git
cd fledge-mcp- 安装依赖项：
pip install -r requirements.txt运行服务器
- 确保Fledge正在运行：
fledge start- 启动MCP服务器：
python mcp_server.py对于使用API密钥身份验证的安全操作：
python secure_mcp_server.py- 通过访问健康端点验证其是否正常工作：
curl http://localhost:8082/health您应该收到“Fledge MCP服务器正在运行”作为响应。
连接到游标
- 在光标中，转到设置>MCP服务器
- 添加新服务器：
- 网址：http://localhost:8082/tools - 工具文件：上传包含的Tools.json或指向其本地路径
- 对于安全服务器，使用安全服务器启动时生成的API_Key.txt文件中的值配置“X-API-Key”标头。
- 测试：打开Cursor的Composer（Ctrl+I），键入“Check if Fledge API is reachable”，AI应该调用
validate_api_connection工具。
可用工具
数据访问和管理
- 获取传感器数据：通过可选的时间范围和限制过滤从Fledge获取传感器数据
- list_sensors：列出Fledge中可用的所有传感器
- 摄入测试数据：将测试数据摄入Fledge，可选择批次计数
服务控制
- get_service_status：获取所有Fledge服务的状态
- start_stop_service：按类型启动或停止Fledge服务
- update_config：更新Fledge配置参数
前端代码生成
- generate_ui_组件：为Fledge数据可视化生成React组件
- fetch_sample_front：获取不同框架的前端模板示例
- 建议改进：获取AI支持的改进UI代码的建议
实时数据流
- subscribe_to_sensor：设置传感器数据更新的订阅
- get_latest_reading：获取特定传感器的最新读数
调试和验证
- validate_api_connection：检查Fledge API是否可访问
- 模拟前端请求：使用不同的方法和有效负载测试API请求
文档和架构
- get_api_schema：获取有关可用Fledge API端点的信息
- list_plugins：列出可用的Fledge插件
高级AI辅助功能
- generate_mock_data：生成真实的模拟传感器数据以供测试
测试API
您可以使用附带的测试脚本测试服务器：
# For standard server
python test_mcp.py
# For secure server with API key
python test_secure_mcp.py安全选项
安全服务器（secure_mcp_server.py）添加了API密钥身份验证：
- 在第一次运行时，它生成一个存储在API_key.txt中的API密钥
- 所有请求都必须在X-API-key标头中包含此密钥
- 无需身份验证，健康检查端点仍可访问
API请求示例
# Validate API connection
curl -X POST -H "Content-Type: application/json" -d '{"name": "validate_api_connection"}' http://localhost:8082/tools
# Generate mock data
curl -X POST -H "Content-Type: application/json" -d '{"name": "generate_mock_data", "parameters": {"sensor_id": "temp1", "count": 5}}' http://localhost:8082/tools
# Generate React chart component
curl -X POST -H "Content-Type: application/json" -d '{"name": "generate_ui_component", "parameters": {"component_type": "chart", "sensor_id": "temp1"}}' http://localhost:8082/tools
# For secure server, add API key header
curl -X POST -H "Content-Type: application/json" -H "X-API-Key: YOUR_API_KEY" -d '{"name": "list_sensors"}' http://localhost:8082/tools扩展服务器
要添加更多工具，请执行以下操作：
- 将工具定义添加到
tools.json - 在中实现工具处理程序
mcp_server.py和secure_mcp_server.py
生产注意事项
对于生产部署：
- 使用HTTPS
- 部署在Nginx等反向代理后面
- 实现更强大的身份验证（JWT、OAuth）
- 添加速率限制
- 为订阅设置持久数据存储
部署在Smithery.ai上
Fledge MCP服务器可以部署在Smithery.ai上，以增强可扩展性和可用性。按照以下步骤进行部署：
- 先决条件
- Docker已安装在本地计算机上 - Smithery.ai帐户 - 已安装Smithery CLI工具
- 构建和部署
# Build the Docker image
docker build -t fledge-mcp .
# Deploy to Smithery.ai
smithery deploy- 配置
这 smithery.json 文件包含部署的配置：
- 端口8082上的WebSocket传输 - 可配置Fledge API URL - 工具定义和参数 - 超时设置
- 环境变量
在Smithery.ai仪表板中设置以下环境变量：
- FLEDGE_API_URL：您的Fledge API端点 - API_KEY：您的安全API密钥（如果使用安全模式）
- 验证
部署后，验证您的服务器是否正在运行：
smithery status fledge-mcp- 监控
通过Smithery.ai仪表板监控您的部署：
- 实时日志 - 性能指标 - 误差跟踪 - 资源使用
- 更新中
要更新部署，请执行以下操作：
# Build new image
docker build -t fledge-mcp .
# Deploy updates
smithery deploy --updateJSON-RPC协议支持
服务器通过WebSocket使用JSON-RPC 2.0实现模型上下文协议（MCP）。支持以下方法：
- 初始化
{
"jsonrpc": "2.0",
"method": "initialize",
"params": {},
"id": "1"
}答复：
{
"jsonrpc": "2.0",
"result": {
"serverInfo": {
"name": "fledge-mcp",
"version": "1.0.0",
"description": "Fledge Model Context Protocol (MCP) Server",
"vendor": "Fledge",
"capabilities": {
"tools": true,
"streaming": true,
"authentication": "api_key"
}
},
"configSchema": {
"type": "object",
"properties": {
"fledge_api_url": {
"type": "string",
"description": "Fledge API URL",
"default": "http://localhost:8081/fledge"
}
}
}
},
"id": "1"
}- 工具/列表
{
"jsonrpc": "2.0",
"method": "tools/list",
"params": {},
"id": "2"
}响应：返回可用工具及其参数的列表。
- 工具/调用
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "get_sensor_data",
"parameters": {
"sensor_id": "temp1",
"limit": 10
}
},
"id": "3"
}错误代码
服务器遵循标准JSON-RPC 2.0错误代码：
- -32700：分析错误
- -32600：无效请求
- -32601:未找到方法
- -32602:参数无效
- -32000:服务器错误