MCP-Crashkurs

Ein Python-basiertes Projekt zum Lernen und Experimentieren mit MCP (Model Control Protocol) und verwandten Technologien.

Projektübersicht

Dieses Projekt dient als Crashkurs für die Arbeit mit MCP und verwandten Technologien. Es umfasst FastAPI-Integration, Embedding-Funktionen und LangChain-Integration mit Groq.

Related MCP server: MCP Server Sample

Warum dieses Projekt?

Hauptvorteile

1. Vereinfachte Modellverwaltung

   • Optimierte Schnittstelle für Modellbereitstellung und -steuerung

   • Einheitlicher Ansatz zur Handhabung verschiedener Modelltypen

   • Reduzierte Komplexität bei Modelloperationen

2. Verbesserte Leistung

   • Asynchrone Verarbeitung für besseren Durchsatz

   • Optimierte Embedding-Operationen

   • Effiziente Ressourcennutzung

3. Entwicklerfreundlichkeit

   • Klare API-Dokumentation

   • Intuitive CLI-Werkzeuge

   • Umfassende Fehlerbehandlung

4. Skalierbarkeit

   • Modulare Architektur für einfache Erweiterung

   • Unterstützung für mehrere Modelltypen

   • Flexible Bereitstellungsoptionen

Installation

1. Klonen Sie das Repository:

git clone <repository-url>
cd mcpcrashcourse

2. Erstellen und aktivieren Sie eine virtuelle Umgebung:

python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

3. Installieren Sie die Abhängigkeiten:

pip install -e .

Projekt-Workflow

Server-Architektur

Das Projekt besteht aus zwei Haupt-Serverkomponenten:

• server/: Enthält die Implementierung des Hauptanwendungsservers

• mcpserver/: Beherbergt die MCP-spezifische Serverfunktionalität

Hauptkomponenten

1. FastAPI-Integration

   • RESTful-API-Endpunkte für die Modellinteraktion

   • Async-Unterstützung für hochperformante Operationen

   • Integrierte Dokumentations- und Testfunktionen

   • Automatische Anfragevalidierung

   • Swagger/OpenAPI-Dokumentation

2. Embedding-System

   • Nutzt FastEmbed für effiziente Text-Embeddings

   • Unterstützt verschiedene Embedding-Modelle

   • Ermöglicht semantische Suche und Ähnlichkeitsabgleich

   • Batch-Verarbeitungsfunktionen

   • Speichereffiziente Operationen

3. LangChain-Integration

   • Integration mit Groq für LLM-Operationen

   • Kettenbasierte Verarbeitung von Modelleingaben und -ausgaben

   • Anpassbare Pipeline-Konfigurationen

   • Unterstützung für komplexe Workflows

   • Einfache Integration mit externen Diensten

4. MCP-Implementierung

   • Implementierung des Model Control Protocol

   • CLI-Werkzeuge für die Modellverwaltung

   • Konfigurations- und Bereitstellungswerkzeuge

   • Health-Monitoring und Logging

   • Automatische Failover-Unterstützung

Interne Funktionsweise

1. Ablauf der Anfrageverarbeitung

   Client Request → FastAPI Router → Model Handler → MCP Controller → Model Execution → Response Formatter → Client

2. Modellverwaltung

   • Automatisches Laden und Entladen von Modellen

   • Optimierung der Ressourcenzuweisung

   • Gleichzeitige Verarbeitung von Anfragen

   • Zustandsverwaltung und Persistenz

3. Fehlerbehandlung

   • Graceful Degradation

   • Detaillierte Fehlerberichte

   • Automatische Wiederherstellungsmechanismen

   • Logging und Monitoring

Entwicklungsworkflow

1. Lokale Entwicklung

   • Starten Sie den Entwicklungsserver:

     python main.py

   • Der Server läuft standardmäßig auf localhost:8000

   • API-Dokumentation verfügbar unter /docs

   • Hot-Reloading für die Entwicklung

   • Debug-Modus-Unterstützung

2. Modellintegration

   • Konfigurieren Sie Modelle im entsprechenden Serververzeichnis

   • Richten Sie Umgebungsvariablen für API-Schlüssel ein

   • Testen Sie Modellinteraktionen über die API-Endpunkte

   • Unterstützung für Modellversionierung

   • A/B-Testfunktionen

3. Testen und Bereitstellung

   • Führen Sie automatisierte Tests aus

   • Stellen Sie in der Produktionsumgebung bereit

   • Überwachen Sie die Modellleistung und API-Metriken

   • Unterstützung für kontinuierliche Integration

   • Automatisierte Bereitstellungspipelines

Allgemeine Vorgänge

1. Starten des Servers

   python main.py

2. Zugriff auf API-Endpunkte

   • Nutzen Sie die FastAPI-Dokumentationsoberfläche

   • Senden Sie HTTP-Anfragen an die entsprechenden Endpunkte

   • Behandeln Sie Antworten und Fehler angemessen

   • Ratenbegrenzung und Drosselung

   • Authentifizierung und Autorisierung

3. Modellverwaltung

   • Verwenden Sie MCP-CLI-Werkzeuge für Modelloperationen

   • Konfigurieren Sie Modellparameter

   • Überwachen Sie die Modellleistung

   • Modellversionskontrolle

   • Ressourcenzuweisungsverwaltung

Projektstruktur

• main.py: Haupt-Einstiegspunkt der Anwendung

• server/: Serverbezogene Komponenten

• mcpserver/: Implementierung des MCP-Servers

• pyproject.toml: Projektkonfiguration und Abhängigkeiten

• finalmcp.pdf: Dokumentation oder Kursmaterialien

Abhängigkeiten

Das Projekt verwendet mehrere wichtige Abhängigkeiten:

• FastAPI (>=0.115.12)

• FastEmbed (>=0.6.1)

• LangChain-Groq (>=0.3.2)

• MCP-Use (>=1.2.8)

• MCP[CLI] (>=1.6.0)