new aruba MCP server

HPE Aruba网络中心MCP服务器

生产级MCP（模型上下文协议）服务器，将完整的HPE阿鲁巴网络中心REST API表面作为MCP工具公开。每个端点和参数签名都来自官方 阿鲁巴岛/pycentral GitHub上的SDK。

概述

该MCP服务器使Claude等人工智能助手能够通过组织19个API类别的90个生产就绪工具与HPE阿鲁巴网络中心进行交互。它包括企业功能，如自动OAuth2令牌刷新、重试逻辑、结构化错误处理，以及对stdio和SSE传输的支持。

按类别划分的工具

服务器提供 90工具 穿过 19种API类别:

生产特点

• 自动令牌刷新：在重试请求之前，自动刷新401响应上的OAuth2令牌
• 重试逻辑：每次请求身份验证失败时自动重试1次
• 清理错误处理：所有HTTP错误都返回结构化JSON，而不是崩溃
• 空参数清理：可选 None 参数在API调用之前自动剥离
• 双重运输支持：运行方式 stdio （Claude Desktop的默认设置）或 --sse 用于HTTP模式
• 基于环境的配置：所有通过环境变量管理的秘密（从未硬编码）
• 结构化日志：带有时间戳的完整日志记录，用于调试和监控
• API官方路径：所有端点来源于 aruba/pycentral SDK

先决条件

• Python 3.8或更高版本
• 拥有API访问权限的HPE阿鲁巴网络中心帐户
• OAuth2凭据（客户端ID、客户端密码、刷新令牌）
• API身份验证的访问令牌

安装

1. 克隆此存储库：

git clone https://github.com/AirowireAILabs/new_aruba_mcp_server.git
cd new_aruba_mcp_server

1. 安装依赖项：

pip install -r requirements.txt

1. 配置环境变量（请参阅下面的配置部分）

配置

环境变量

服务器需要以下环境变量：

设置环境变量

选项1：使用.env文件

1. 复制示例文件：

cp .env.example .env

1. 编辑 .env 使用您的凭据：

ARUBA_CENTRAL_BASE_URL=https://apigw-uswest4.central.arubanetworks.com
ARUBA_CENTRAL_TOKEN=your_access_token_here
ARUBA_CENTRAL_CLIENT_ID=your_client_id_here
ARUBA_CENTRAL_CLIENT_SECRET=your_client_secret_here
ARUBA_CENTRAL_REFRESH_TOKEN=your_refresh_token_here
ARUBA_CENTRAL_TIMEOUT=30

选项2：导出环境变量

export ARUBA_CENTRAL_BASE_URL=https://apigw-uswest4.central.arubanetworks.com
export ARUBA_CENTRAL_TOKEN=your_access_token
export ARUBA_CENTRAL_CLIENT_ID=your_client_id
export ARUBA_CENTRAL_CLIENT_SECRET=your_client_secret
export ARUBA_CENTRAL_REFRESH_TOKEN=your_refresh_token
export ARUBA_CENTRAL_TIMEOUT=30

用法

使用Claude Desktop运行

1. 编辑您的Claude Desktop配置文件：

- macOS： ~/Library/Application Support/Claude/claude_desktop_config.json - 窗户： %APPDATA%\Claude\claude_desktop_config.json - Linux： ~/.config/Claude/claude_desktop_config.json

1. 添加服务器配置：

{
  "mcpServers": {
    "aruba-central": {
      "command": "python",
      "args": ["/absolute/path/to/aruba_central_mcp_server.py"],
      "env": {
        "ARUBA_CENTRAL_BASE_URL": "https://apigw-uswest4.central.arubanetworks.com",
        "ARUBA_CENTRAL_TOKEN": "YOUR_ACCESS_TOKEN",
        "ARUBA_CENTRAL_CLIENT_ID": "YOUR_CLIENT_ID",
        "ARUBA_CENTRAL_CLIENT_SECRET": "YOUR_CLIENT_SECRET",
        "ARUBA_CENTRAL_REFRESH_TOKEN": "YOUR_REFRESH_TOKEN",
        "ARUBA_CENTRAL_TIMEOUT": "30"
      }
    }
  }
}

1. 重新启动克劳德桌面

1. Aruba Central工具将在Claude的工具面板中提供

使用CLI运行mcp

这 mcp-use 该工具允许您从命令行测试MCP服务器：

# Install mcp-use
pip install mcp-use

# Run with stdio transport (default)
mcp-use aruba_central_mcp_server.py

# Or use the provided config file
mcp-use --config mcp_config.json aruba-central

独立运行

stdio模式（默认）：

python aruba_central_mcp_server.py

SSE模式（HTTP服务器）：

python aruba_central_mcp_server.py --sse

服务器将记录启动信息，并准备接受MCP请求。

本地LLM使用（Ollama+LangGraph）

此MCP服务器现在包括 基于LangGraph的人工智能代理 随着 语义工具过滤 这使得使用 本地LLM （Ollama，LM Studio）100%在本地运营。关键的创新是在将90个工具发送到LLM之前，将其过滤到最相关的5-8个工具，这大大提高了较小本地模型的准确性。

为什么选择语义工具过滤？

MCP服务器公开了19个类别的90个工具。将所有90个工具发送到本地LLM（特别是7B-13B参数模型）会使模型不堪重负，导致：

• 刀具选择精度差
• 响应时间慢（大上下文窗口）
• 代币使用率高
• 频繁的幻觉

解决方案：语义工具过滤使用 sentence-transformers 使用FAISS分析用户的查询，并仅选择5-8个最相关的工具。即使使用小型局部模型，这也大大提高了准确性。

建筑

User Query → Semantic Filter (FAISS) → Top 5-8 Tools → LangGraph Agent (Ollama) → MCP Tools → Response

本地LLM使用的先决条件

1. Ollama已安装并正在运行:

   # Install Ollama from https://ollama.ai
   # Pull a model (recommended: llama3.1, mistral, or qwen2.5)
   ollama pull llama3.1

1. Ollama服务运行:

   # Ollama typically runs on http://localhost:11434
   # Verify with: curl http://localhost:11434/api/tags

1. 阿鲁巴中央证书 配置在 .env 文件（与标准MCP用法相同）

本地LLM的安装

安装LangGraph和语义过滤的附加依赖项：

pip install -r requirements.txt

这将安装：

• langgraph -用于构建代理工作流的LangGraph框架
• langchain-ollama -Olama与LangChain的整合
• langchain-core 和 langchain-community -LangChain基础库
• faiss-cpu -语义过滤的快速相似性搜索
• sentence-transformers -本地嵌入模型（不需要API调用）

运行LangGraph代理

# Default: Uses llama3.1 with top-8 tool filtering
python langgraph_aruba_agent.py

# Or customize with environment variables
export OLLAMA_MODEL=mistral
export TOP_K_TOOLS=5
python langgraph_aruba_agent.py

配置选项

所有标准Aruba Central环境变量(ARUBA_CENTRAL_TOKEN等等）仍然需要。

语义工具过滤的工作原理

1. 预计算嵌入：启动时，所有90个工具描述都使用以下代码编码 sentence-transformers （100%本地运行）
2. 查询嵌入：您的查询使用相同的模型进行编码
3. 相似性搜索：FAISS执行余弦相似性搜索以找到最相关的工具
4. 筛选工具：只有前K个最相关的工具（默认值：8）被传递给LLM
5. 代理推理：LangGraph ReAct代理仅使用过滤后的工具，将上下文大小减少了90%

语义过滤器使用 all-MiniLM-L6-v2 模型，它是轻量级的（80MB），并且完全在本地运行，不需要API调用。

交互示例

You: Show me all wireless networks in my environment

🔍 Filtered tools (8/90):
  1. get_all_wlans
  2. get_wlan
  3. create_wlan
  4. update_wlan
  5. delete_wlan
  6. get_ap_settings
  7. get_groups
  8. get_group_template_info

🔧 Executing tool: get_all_wlans
   Args: {"group_name": "default"}
✓ Tool completed
Assistant: I found 5 WLANs configured in your environment:
1. Corporate-WiFi (WPA3-Enterprise, VLAN 10)
2. Guest-WiFi (WPA2-PSK, VLAN 20)
3. IoT-Network (WPA2-PSK, VLAN 30)
4. Lab-Network (Open, VLAN 40)
5. Secure-Admin (WPA3-Enterprise, VLAN 5)

[Completed in 3.2s]

支持的本地LLM模型

LangGraph代理适用于任何Ollama模型，但建议使用以下模型以获得最佳效果：

小贴士：从以下内容开始 llama3.1 （8B）或 mistral （7B）用于在消费硬件上实现速度和精度的最佳平衡。

使用LM Studio（Ollama的替代品）

LM Studio是使用与OpenAI兼容的API运行本地LLM的另一个选项：

1. 安装并运行LM Studio 从https://lmstudio.ai
2. 加载模型 （例如，Llama 3.1 8B）
3. 启动本地服务器 （默认值： http://localhost:1234)
4. 配置代理:

   export OLLAMA_URL=http://localhost:1234/v1
   export OLLAMA_MODEL=llama-3.1-8b-instruct
   python langgraph_aruba_agent.py

本地法学硕士方法的好处

✅ 100%本地 -没有数据发送到云API\ ✅ 降低的成本 -不收取每个代币的费用\ ✅ 减少延迟 -无需网络往返云端\ ✅ 隐私 -敏感的网络查询留在本地\ ✅ 离线功能 -初始设置后无需互联网即可工作\ ✅ 小型模型工作 -7B-8B型号具有刀具过滤功能

性能比较

语义过滤将上下文减少了90%，同时将准确性提高了2倍。

Claude使用示例

配置后，您可以要求Claude与您的Aruba Central实例进行交互：

示例提示：

• “列出Aruba Central中的所有配置组”
• “显示“校园主”组中的设备”
• “获取IAP设备可用的固件版本”
• “在加利福尼亚州旧金山主街1234号创建一个名为‘建筑-a’的新网站”
• “显示过去一小时内检测到的所有流氓AP”
• “获取‘Guest WiFi’网络的WLAN配置”
• “列出所有许可证订阅及其分配”

API 参考