Chrisbrickey MCP

演员休息室

一个python包，其中包含一个协调多个LLM外联的MCP服务器， 与外部内容提供商集成，并为代理提供定制工具，以实现目标 制作高价值的、混合的人工智能娱乐推荐。

截至2026年，greenroom为电影和电视内容提供建议。我计划 与其他数据提供商和LLM服务整合，以扩大服务范围。

使用混合人工智能策展发现电影和电视

discover_media

比较多个代理和模型的输出

compare LLM responses

用例

绿屋MCP服务器可用于回答与娱乐相关的各种问题。 下面是一些将触发使用多个MCP工具的示例提示，但这些只是示例。

建议

• What kinds of entertainment can you recommend?
• I'm in the mood for something serious. Recommend some entertainment content.
• Recommend spanish language documentary films from the 2010s.
• I loved Atlanta and Black Mirror. Recommend other entertainment options that I would like.

活动策划

• I'm hosting a French film night. Recommend highly-rated French films across genres.
• Plan a binge-watching weekend including recent dramas and comedies.
• Let's host a sci-fi movie marathon. Recommend 5 sci-fi films from different decades.

行业分析

• Analyze which genres have the highest average ratings in film vs television.
• Compare action films made in the 1980s to those made in the 2020s.
• What are the top-rated spanish language television shows in each genre?

比较多个代理的输出

• Using compare_llm_responses, what makes a great science fiction film?
• Using the compare_llm_reponses tool, how is machine learning used in modern filmmaking?

特性

工具

MCP工具是代理执行的可调用操作，类似于POST请求。 它们被注释为 @mcp.tool() 在FastMCP框架中。

greenroom服务器的工具包括：

• list_genres -获取所有娱乐类型，返回一个统一的地图，显示哪些媒体类型支持每种类型
• 类别_流派 -将人类情绪映射到媒体类型，以提高人类提示的点击率
• 发现电影 -根据发现标准检索电影，返回知情回应的元数据，并改进分类
• 发现_电视 -根据发现标准检索电视节目，返回知情响应的元数据并改进分类

_注意： @mcp.tool() 装饰器将函数封装到FunctionTool对象中，这防止了它被直接调用，包括被测试调用。工具方法的逻辑被委托给助手方法，这些方法由测试套件涵盖。_

代理人的协调

此服务器支持多个代理协调处理单个任务。

• 比较llm响应 -收到提示并将其发送给两个代理。它通过温度和令牌限制来约束响应。

To trigger this tool, ask Claude: Using the compare_llm_reponses tool, why is the ocean blue?

You should see: 
  Both Claude* and Ollama responses 
  Response lengths comparison
  Structured JSON output showing both LLM outputs side-by-side

_截至2026年，这默认为将人择客户端的重新采样响应与新的ollama客户端的响应进行比较。 一般来说，重新采样的响应将为空，因为人为因素禁止重新采样。 我希望很快将能力扩展到更广泛的法学硕士客户。_

语境

上下文感知工具使用FastMCP Context 参数访问高级MCP功能，如LLM采样。

例子：

• list_genres_简化 -使用以下命令返回流派名称的简化列表 ctx.sample() 利用代理的LLM功能进行数据转换。

资源

这些资源提供只读数据，类似于GET请求。代理读取信息，但不执行操作。 资源注释如下 @mcp.resource() 在FastMCP框架中。

• config://version -获取服务器版本

错误处理

greenroom服务器引发的所有错误都使用基于的自定义异常层次结构 GreenroomError. 这意味着MCP呼叫者可以捕获 GreenroomError 处理任何服务器端故障，或捕获特定子类以进行更精细的控制：

• API响应错误 -HTTP错误、JSON无效、来自外部API的意外响应体
• API连接错误 -访问外部API时出现网络或连接故障
• API类型错误 -反序列化后，响应具有意外的Python类型
• 采样错误 -LLL采样过程中的错误

内置异常，如 ValueError 仍然会引发输入验证（例如无效参数）。

建筑

Tools Layer (MCP Interface)
    ↓
Services Layer (Business Logic)
    ↓
Client Layer (Provider-specific HTTP Communication)
    ↓
Models Layer (Provider-agnostic Data Structures)

项目结构

该项目遵循python包src/layout，以支持方便的打包和测试。 下面是该项目的简图。

greenroom/                          # project root
├── src/
│   └── greenroom/                   # python package
│       │
│       ├── server.py                # primary entry point to server
│       ├── config.py                # centralized configuration
│       ├── utils.py                 # shared utilities
│       │
│       │
│       ├── models/                  # data models     
│       │
│       ├── services/                # business logic 
│       │   ├── llm/                 # LLM agent services and clients
│       │   ├── tmdb/                # TMDB provider services and clients
│       │   └── protocols.py         # standardizes methods across media providers
│       │
│       └── tools/                   # MCP tools (exposed via FastMCP)
│            ├── agent_tools.py      # coordinate multiple agents and LLMs
│            ├── discovery_tools.py  # search for specific entertainment content
│            └── genre_tools.py      # optimize genre discovery and presentation to user
│
├── tests/greenroom/                 # test suite
│
├── pyproject.toml                   # configuration and dependencies
└── uv.lock                          # dependency lock file (auto-generated)

依赖项

• Python 3.12
• 快速MCP>=2.13.0 -MCP服务器框架；需要Python 3.10+
• 紫外线 -包管理器； 安装说明
• 孵化 -构建系统
• httpx -用于API对TMDB（社区驱动数据库）的调用
• python dotenv -用于API密钥管理
• 奥拉玛 （可选）-用于compare_lilm_responses等多代理工具的本地LLM运行时； 安装说明

_该项目使用 FastMCP 框架，它比其他框架（例如MCP Python SDK）需要更少的样板。_ _看 mcp-server-1 例如功能更明确的示例。_

设置

1. 营造当地发展环境

# Clone the repository
git clone 
cd greenroom

# Install dependencies (uv will create a virtual environment automatically)
uv sync

1. 添加TMDB api密钥作为环境变量

• 在获取免费API密钥 TMDB 通过创建帐户、转到帐户设置并导航到API部分。
• 创建一个名为的文件 .env 在项目的顶层。（为了防止泄露机密，此文件是合法的。）
• 复制以下内容 .env.example 到您的新文件。
• 替换 your_tmdb_api_key_here 在.env中使用实际TMDB API密钥。

（可选）设置Ollama

使用奥利玛作为第二剂（除了克劳德）。使用的一个例子是 比较llm响应 工具。

1. 安装Ollama

# macOS
brew install ollama

# Or download from https://ollama.com/download

1. 启动Ollama服务

# macOS (Ollama runs as a background service after installation)
ollama serve

# Or simply open the Ollama application

1. 拉取默认模型

# The compare_llm_responses tool defaults to llama3.2:latest
ollama pull llama3.2

# Verify the model is available
ollama list

1. 测试Ollama是否有效

 curl http://localhost:11434/api/generate -d '{"model": "llama3.2", "prompt": "Why is the sky blue?", "stream": false}'
 
 # expected response might be something like
 {
   "model":"llama3.2",
   "created_at":"2025-11-30T12:01:32.314915Z",
   "response":"The sky appears blue because of a phenomenon called Rayleigh scattering...
   ...
 }

发展

在本地运行MCP服务器

服务器将启动并通过stdin/stdout进行通信。默认情况下，它使用stdio，这是本地MCP服务器的标准传输方式。

# best approach uses the MCP entry point
uv run greenroom

# alternative: via python
uv run python src/greenroom/server.py

_注意：您不应该直接运行服务器（例如。 uv run )因为服务器是python包的一部分。 直接运行它会破坏模块分辨率。_

使用MCP检查器（web ui）进行检查

npx @modelcontextprotocol/inspector uv --directory /ABSOLUTE/PATH/TO/PROJECT run python src/greenroom/server.py

运行测试

uv run python -m pytest

# alternative to printout test names for quicker debugging
uv run python -m pytest -v

# only run static type checker
uv run mypy src/greenroom/

与MCP服务器交互

这个项目还没有包括一个用来运行服务器的前端，但你可以使用人工工具与服务器交互。

通过克劳德代码

1. 启动服务器

   # update local claude settings and run the MCP server
   claude mcp add greenroom -- uv --directory /ABSOLUTE/PATH/TO/PROJECT run python src/greenroom/server.py

1. 打开claude代码

- 进入 /mcp 查看可用的MCP服务器。 - 确认greenroom是其中一个状态为：已连接。

1. 练习服务器

- 资源可以用@提及来引用 - 对话过程中会自动使用工具 - 提示显示为/sharsh命令 - 要显式测试工具，请claude调用该工具。例如 Call the tool from the MCP server called greenroom.

更新MCP服务器上的方法时，必须重新运行上述步骤，以便更新可用于claude会话。

通过克劳德桌面

1. 下载克劳德桌面应用程序 这里.

1. 打开claude桌面应用程序。

1. 确认桌面应用程序已连接到休息室服务器：

- 导航到“设置”。 - 点击“开发者”。应出现本地MCP服务器。 - 绿屋服务器应该列在那里，并且应该具有状态：正在运行。 - 如果它没有运行，请单击“编辑配置”。然后按照下面故障排除部分的说明进行操作。

故障排除

确认本地claude设置/配置的正确性。

运行setup命令时(claude mcp add)，该MCP服务器的配置将添加到您的本地claude设置中。 克劳德将它们存储在一个名为 claude_desktop_config.json. 这些设置将由claude桌面应用程序用于连接到MCP服务器。

• 将您的本地配置与以下内容对齐。
• 替换 /ABSOLUTE/PATH/TO/PROJECT 使用本地计算机上项目目录（而不是包目录）的实际路径。
• 替换 /ABSOLUTE/PATH/TO/UV/LIBRARY 在本地计算机上显示紫外线的实际路径。

{
  "mcpServers": {
    "greenroom": {
      "command": "/ABSOLUTE/PATH/TO/UV/LIBRARY",
      "args": [
        "--directory",
        "/ABSOLUTE/PATH/TO/PROJECT",
        "run",
        "python",
        "src/greenroom/server.py"
      ]
    }
  }
}

遇到配置问题时，有时从本地计算机中删除mcp服务器并重新添加会有所帮助。

# remove the local configuration
claude mcp remove greenroom

# update the local configuration and run the MCP server
claude mcp add greenroom -- uv --directory /ABSOLUTE/PATH/TO/PROJECT run python src/greenroom/server.py

运作原理

1. 这 pyproject.toml 文件声明 fastmcp 紫外线管理的依赖性
2. 当代理（例如claude代码）启动时，它使用配置的命令将此MCP服务器作为子进程启动
3. uv 自动管理虚拟环境和依赖关系
4. 服务器通告其可用资源和工具（例如 tools/list JSON-RPC方法）
5. 在对话过程中，代理可以在相关时自动调用这些工具
6. 服务器执行请求的工具并将结果返回给代理
7. 代理将结果纳入其对您的回复中

未来发展

• 添加更多媒体类型（例如播客、书籍）
• 添加提供者以增强数据源
• 创造娱乐礼宾体验（例如，经理-代理流程）