Berghain Events MCP Server

API событий Berghain и реализация MCP

Структура проекта

Требовани��

• Питон 3.10+
• uv (для управления зависимостями и виртуальной средой)
• Аккаунт AWS (для DynamoDB и App Runner)
• API-ключ Firecrawl

Средство

1. Клонируйте этот репозиторий:
   git clone <repository-url> cd berghain-api
2. Создайте и активируйте виртуальную среду с помощью uv :
   uv venv source .venv/bin/activate # En Linux/macOS # .venv\\Scripts\\activate # En Windows
3. Установите зависимости с помощью uv :
   uv pip install -r requirements.txt

Подробный процесс

1. Извлечение данных с помощью Firecrawl

• Установите Firecrawl MCP на курсор: убедитесь, что у вас есть ключ API Firecrawl. В конфигурации Cursor MCPs добавьте:
  "firecrawl-mcp": { "command": "npx", "args": [ "-y", "firecrawl-mcp" ], "env": { "FIRECRAWL_API_KEY": "fc-YOUR_FIRECRAWL_API_KEY" } }
• Запустите извлечение: используйте агент в Cursor (или аналогичный инструмент), чтобы вызвать Firecrawl MCP и попросить его извлечь события из https://www.berghain.berlin/en/program/ .
• Сохраните данные: Извлеченные данные следует сохранить в виде файлов JSON в каталоге events/ . Например, events/berghain_events_YYYY-MM-DD.json .

2. Загрузка данных в DynamoDB

• Создайте таблицу в DynamoDB: этим занимается скрипт scripts/create_table.py . Запустите его (при необходимости настройте параметры):
  uv run python scripts/create_table.py --table berghain_events --region tu-region-aws # Para desarrollo local con DynamoDB Local (ej. docker run -p 8000:8000 amazon/dynamodb-local): # uv run python scripts/create_table.py --table berghain_events --region localhost --endpoint-url http://localhost:8000
• Загрузка данных в таблицу: Скрипт scripts/load_data.py загружает события из файлов JSON.
  uv run python scripts/load_data.py --table berghain_events --region tu-region-aws --path events # Para desarrollo local: # uv run python scripts/load_data.py --table berghain_events --region localhost --endpoint-url http://localhost:8000 --path events
  Убедитесь, что app/core/config.py (импортированный load_data.py ) имеет необходимые конфигурации, если вы не передаете их в качестве аргументов.

3. API с FastAPI и MCP Server

• Логика API находится в каталоге app/ , а конечные точки определены (например, в app/api/endpoints/events.py ).
• Файл app/main.py настроен на запуск приложения FastAPI и сервера FastMCP, предоставляя конечные точки API в качестве инструментов для моделей ИИ. Проверьте custom_maps в app/main.py чтобы увидеть, как маршруты GET сопоставляются с RouteType.TOOL .

Развертывание на AWS

к. Dockerfile

Убедитесь, что ваш Dockerfile правильно настроен для использования uv и запуска app/main.py :

б. Создание и загрузка образа в Amazon ECR (Elastic Container Registry)

1. Аутентификация Docker с помощью ECR:
   aws ecr get-login-password --region tu-region-aws | docker login --username AWS --password-stdin tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com
2. Создайте репозиторий в ECR (если его нет):
   aws ecr create-repository --repository-name berghain-mcp-api --region tu-region-aws
3. Создайте свой образ Docker:
   docker build -t berghain-mcp-api .
4. Отметьте свое изображение:
   docker tag berghain-mcp-api:latest tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest
5. Загрузите изображение в ECR:
   docker push tu-aws-account-id.dkr.ecr.tu-region-aws.amazonaws.com/berghain-mcp-api:latest
   Замените tu-region-aws и tu-aws-account-id своими значениями.

в. Развертывание инфраструктуры с помощью Terraform

1. Подготовьте файлы Terraform: убедитесь, что файлы конфигурации Terraform (например, main.tf , variables.tf , outputs.tf ) находятся в каталоге (например, terraform/ ). Эти файлы должны определять необходимые ресурсы AWS, такие как служба AWS App Runner, которую будет использовать образ ECR, и таблица DynamoDB (если Terraform также управляет ею). Ваша конфигурация App Runner в Terraform должна ссылаться на изображение, загруженное в ECR.
2. Перейдите в каталог Terraform:
   cd terraform
3. Инициализация Terraform:
   terraform init
4. Примените конфигурацию Terraform:
   terraform apply
   Ознакомьтесь с планом и подтвердите заявку. Terraform предоставит ресурсы.
5. Получите URL-адрес службы: после применения Terraform должен отобразить определенные выходные данные, включая URL-адрес службы App Runner. Запишите этот URL-адрес (например https://<id-servicio>.<region>.awsapprunner.com ).

Протестируйте развернутое решение

к. Настройте локальный тестовый скрипт ( mcp_local.py )

Установите файл mcp_local.py в корневой каталог вашего проекта.

Важно: обновите переменную mcp_server_url в mcp_local.py , указав URL-адрес, полученный из выходных данных Terraform.

б. Выполнить тест

Из корня вашего проекта (или там, где вы сохранили mcp_local.py ):

Это запустит агент PydanticAI, который попытается подключиться к развернутому MCP и выполнить запрос.

Лицензия

Массачусетский технологический институт