my_mcp_server

jclanas2019/my_mcp_server

3.1

If you are the rightful owner of my_mcp_server and would like to certify it and/or have it hosted online, please leave a comment on the right or send an email to henry@mcphub.com.

MCP (Model Communication Protocol) is a secure TCP client-server system designed for communication between AI agents and storage services, prioritizing security and context maintenance.

Tools
2
Resources
0
Prompts
0

MCP Server - Sistema Seguro de Comunicación para Agentes LLM

Descripción

MCP (Model Communication Protocol) es un sistema cliente-servidor TCP que facilita la comunicación entre agentes de IA y servicios de almacenamiento. Esta arquitectura permite a los agentes LLM (Large Language Models) ejecutar herramientas, compartir información y mantener contexto a través de sesiones, todo con un enfoque prioritario en la seguridad.

Características principales

  • Arquitectura cliente-servidor: Comunicación TCP para agentes distribuidos
  • Registro de herramientas y prompts: Sistema modular y extensible
  • Seguridad mejorada: Validación de sesiones, sanitización de datos y prevención de ataques
  • Soporte para agentes LLM: Integración con LangChain y modelos locales (Ollama)
  • Comunicación asíncrona: Manejo multihilo para múltiples conexiones simultáneas
  • Logging detallado: Registro completo de actividades para auditoría y depuración

Estructura del proyecto

my_mcp_server/
├── main.py                    # Servidor TCP principal
├── main_seguro.py             # Versión segura del servidor
├── handler.py                 # Manejador de mensajes y herramientas
├── registry.py                # Registro de herramientas y prompts
├── tools/                     # Implementaciones de herramientas
│   └── basic.py               # Herramientas básicas (notas)
├── prompts/                   # Prompts y templates
│   └── educativo.py           # Prompts educativos
├── agents/                    # Implementaciones de agentes
│   ├── agent_mcp_langchain.py       # Agente básico con LangChain
│   ├── agent_mcp_educativo.py       # Agente educativo con pipeline
│   └── agent_mcp_educativo_seguro.py # Agente educativo con seguridad
├── logs/                      # Directorio para logs
│   └── mcp_server_*.log       # Archivos de log por fecha
└── test_mcp_client.py         # Cliente de prueba

Requisitos

  • Python 3.10 o superior
  • LangChain (para los agentes)
  • Ollama (para modelos locales)
  • Biblioteca estándar de Python

Instalación

  1. Clona el repositorio:

    git clone https://github.com/usuario/my_mcp_server.git
cd my_mcp_server

  2. Instala las dependencias:

    pip install langchain langchain-ollama

  3. Asegúrate de tener Ollama instalado y el modelo gemma3:1b disponible:

    ollama pull gemma3:1b

Uso

Iniciar el servidor

Para iniciar el servidor estándar:

python main.py

Para iniciar el servidor con medidas de seguridad mejoradas:

python main_seguro.py

Ejecutar un agente cliente

Agente básico:

python agents/agent_mcp_langchain.py

Agente educativo:

python agents/agent_mcp_educativo.py

Agente educativo con seguridad:

python agents/agent_mcp_educativo_seguro.py

Probar con el cliente de prueba

python test_mcp_client.py

Medidas de seguridad implementadas

  • Validación de sesiones: IDs de sesión firmados con HMAC-SHA256
  • Sanitización de entradas: Filtrado de patrones maliciosos y contenido peligroso
  • Límites de tamaño: Prevención de ataques DoS y desbordamientos de buffer
  • Rate limiting: Protección contra abuso por dirección IP
  • Gestión segura de errores: Captura y manejo adecuado de excepciones
  • Timeouts: Prevención de conexiones zombies
  • Logging de seguridad: Registro de eventos para auditoría
  • Validación estricta de JSON: Prevención de inyecciones

Herramientas disponibles

  • leer_notas: Lee todas las notas registradas en la sesión actual
  • append_nota: Agrega una nueva nota a la sesión actual

Personalización

Agregar nuevas herramientas

  1. Crea un nuevo archivo en el directorio tools/
  2. Define funciones que acepten (args, memoria) como parámetros
  3. Registra las herramientas en registry.py

Agregar nuevos prompts

  1. Crea o modifica archivos en el directorio prompts/
  2. Define templates o funciones generadoras de prompts
  3. Registra los prompts en registry.py

Contribuir

Las contribuciones son bienvenidas. Por favor, sigue estos pasos:

  1. Haz fork del repositorio
  2. Crea una rama (git checkout -b feature/nueva-caracteristica)
  3. Haz commit de tus cambios (git commit -am 'Añadir nueva característica')
  4. Haz push a la rama (git push origin feature/nueva-caracteristica)
  5. Crea un Pull Request

Licencia

Contacto

Para preguntas o soporte, contacta a (mailto:jc@lab-ai.org]