Build a MCP Server
Руководство по созданию сервера для Random Forest модели с интеграцией в Bee Framework для ReAct-интерактивности
Описание
Репозиторий содержит полное пошаговое руководство по построению MCP-сервера на Python для обслуживания обученной модели Random Forest (из scikit-learn). Интегрируется с Bee Framework для создания ReAct-агентов с интерактивностью. Использует uv для управления зависимостями, FastAPI для ML API. Применения: разработка AI-агентов, сервировка ML-моделей в чат-ботах, автоматизация задач с ML. Дополнительно: запуск отдельного FastAPI-сервера для модели.
Возможности
Построение MCP-сервера
Создание сервера для сервировки обученных ML-моделей с использованием Python и uv.
Интеграция Random Forest
Обслуживание модели Random Forest через API для предсказаний.
Работа с Bee Framework
Интеграция сервера с фреймворком для ReAct-агентов и интерактивности.
Запуск FastAPI API
Хостинг ML-модели на FastAPI с возможностью перезагрузки для разработки.
Запуск агента
Выполнение singleflowagent.py для тестирования интерактивного агента.
Установка
- Клонируйте репозиторий: git clone https://github.com/nicknochnack/BuildMCPServer
- Для запуска MCP-сервера: cd BuildMCPServer uv venv source .venv/bin/activate uv add . uv add “.[dev]” uv run mcp dev server.py
- Для запуска агента (в отдельном терминале): source .venv/bin/activate uv run singleflowagent.py
- Для запуска FastAPI ML-сервера: git clone https://github.com/nicknochnack/CodeThat-FastML cd CodeThat-FastML pip install -r requirements.txt uvicorn mlapi:app –reload