Skip to content

README.md

Latest commit

 

History

History
852 lines (684 loc) · 34.3 KB

README.md

File metadata and controls

852 lines (684 loc) · 34.3 KB

جامعه و مشارکت‌ها

چگونه به MCP کمک کنیم: ابزارها، مستندات، کد و بیشتر

(برای مشاهده ویدئوی این درس روی تصویر بالا کلیک کنید)

مرور کلی

این درس بر چگونگی تعامل با جامعه MCP، مشارکت در اکوسیستم MCP و پیروی از بهترین شیوه‌ها برای توسعه مشارکتی تمرکز دارد. درک نحوه مشارکت در پروژه‌های متن‌باز MCP برای کسانی که به دنبال شکل‌دهی آینده این فناوری هستند، ضروری است.

اهداف یادگیری

در پایان این درس، شما قادر خواهید بود:

  • ساختار جامعه و اکوسیستم MCP را درک کنید
  • به طور مؤثر در انجمن‌ها و بحث‌های جامعه MCP شرکت کنید
  • به مخازن متن‌باز MCP کمک کنید
  • ابزارها و سرورهای سفارشی MCP ایجاد و به اشتراک بگذارید
  • از بهترین شیوه‌ها برای توسعه و همکاری در MCP پیروی کنید
  • منابع و چارچوب‌های جامعه برای توسعه MCP را کشف کنید

اکوسیستم جامعه MCP

اکوسیستم MCP شامل اجزا و شرکت‌کنندگان مختلفی است که با هم برای پیشبرد این پروتکل همکاری می‌کنند.

اجزای کلیدی جامعه

  1. نگهدارندگان پروتکل اصلی: سازمان رسمی Model Context Protocol GitHub مشخصات اصلی MCP و پیاده‌سازی‌های مرجع را نگهداری می‌کند.
  2. توسعه‌دهندگان ابزار: افرادی و تیم‌هایی که ابزارها و سرورهای MCP را ایجاد می‌کنند.
  3. ارائه‌دهندگان یکپارچه‌سازی: شرکت‌هایی که MCP را در محصولات و خدمات خود ادغام می‌کنند.
  4. کاربران نهایی: توسعه‌دهندگان و سازمان‌هایی که از MCP در برنامه‌های خود استفاده می‌کنند.
  5. مشارکت‌کنندگان: اعضای جامعه که کد، مستندات یا منابع دیگر را ارائه می‌دهند.

منابع جامعه

کانال‌های رسمی

منابع جامعه‌محور

  • کلاینت‌های MCP - لیستی از کلاینت‌هایی که از یکپارچه‌سازی MCP پشتیبانی می‌کنند
  • سرورهای جامعه MCP - لیستی در حال رشد از سرورهای MCP توسعه‌یافته توسط جامعه
  • سرورهای عالی MCP - لیست منتخب سرورهای MCP
  • PulseMCP - مرکز جامعه و خبرنامه برای کشف منابع MCP
  • سرور Discord - ارتباط با توسعه‌دهندگان MCP
  • پیاده‌سازی‌های SDK زبان‌های مختلف
  • پست‌های وبلاگ و آموزش‌ها

مشارکت در MCP

انواع مشارکت‌ها

اکوسیستم MCP از انواع مختلف مشارکت‌ها استقبال می‌کند:

  1. مشارکت‌های کد:

    • بهبودهای پروتکل اصلی
    • رفع اشکال
    • پیاده‌سازی ابزارها و سرورها
    • کتابخانه‌های کلاینت/سرور در زبان‌های مختلف

  2. مستندات:

    • بهبود مستندات موجود
    • ایجاد آموزش‌ها و راهنماها
    • ترجمه مستندات
    • ایجاد مثال‌ها و برنامه‌های نمونه

  3. پشتیبانی جامعه:

    • پاسخ به سوالات در انجمن‌ها و بحث‌ها
    • آزمایش و گزارش مشکلات
    • سازماندهی رویدادهای جامعه
    • راهنمایی مشارکت‌کنندگان جدید

فرآیند مشارکت: پروتکل اصلی

برای مشارکت در پروتکل اصلی MCP یا پیاده‌سازی‌های رسمی، این اصول را از راهنمای مشارکت رسمی دنبال کنید:

  1. سادگی و حداقل‌گرایی: مشخصات MCP استاندارد بالایی برای افزودن مفاهیم جدید دارد. افزودن موارد به یک مشخصات آسان‌تر از حذف آن‌ها است.

  2. رویکرد مشخص: تغییرات در مشخصات باید بر اساس چالش‌های پیاده‌سازی خاص باشد، نه ایده‌های فرضی.

  3. مراحل یک پیشنهاد:

    • تعریف: فضای مسئله را بررسی کنید و تأیید کنید که سایر کاربران MCP با مشکل مشابهی مواجه هستند.
    • نمونه‌سازی: یک راه‌حل نمونه بسازید و کاربرد عملی آن را نشان دهید.
    • نوشتن: بر اساس نمونه اولیه، یک پیشنهاد مشخصات بنویسید.

راه‌اندازی محیط توسعه

# Fork the repository
git clone https://github.com/YOUR-USERNAME/modelcontextprotocol.git
cd modelcontextprotocol

# Install dependencies
npm install

# For schema changes, validate and generate schema.json:
npm run check:schema:ts
npm run generate:schema

# For documentation changes
npm run check:docs
npm run format

# Preview documentation locally (optional):
npm run serve:docs

مثال: مشارکت در رفع اشکال

// Original code with bug in the typescript-sdk
export function validateResource(resource: unknown): resource is MCPResource {
  if (!resource || typeof resource !== 'object') {
    return false;
  }
  
  // Bug: Missing property validation
  // Current implementation:
  const hasName = 'name' in resource;
  const hasSchema = 'schema' in resource;
  
  return hasName && hasSchema;
}

// Fixed implementation in a contribution
export function validateResource(resource: unknown): resource is MCPResource {
  if (!resource || typeof resource !== 'object') {
    return false;
  }
  
  // Improved validation
  const hasName = 'name' in resource && typeof (resource as MCPResource).name === 'string';
  const hasSchema = 'schema' in resource && typeof (resource as MCPResource).schema === 'object';
  const hasDescription = !('description' in resource) || typeof (resource as MCPResource).description === 'string';
  
  return hasName && hasSchema && hasDescription;
}

مثال: مشارکت در افزودن ابزار جدید به کتابخانه استاندارد

# Example contribution: A CSV data processing tool for the MCP standard library

from mcp_tools import Tool, ToolRequest, ToolResponse, ToolExecutionException
import pandas as pd
import io
import json
from typing import Dict, Any, List, Optional

class CsvProcessingTool(Tool):
    """
    Tool for processing and analyzing CSV data.
    
    This tool allows models to extract information from CSV files,
    run basic analysis, and convert data between formats.
    """
    
    def get_name(self):
        return "csvProcessor"
        
    def get_description(self):
        return "Processes and analyzes CSV data"
    
    def get_schema(self):
        return {
            "type": "object",
            "properties": {
                "csvData": {
                    "type": "string", 
                    "description": "CSV data as a string"
                },
                "csvUrl": {
                    "type": "string",
                    "description": "URL to a CSV file (alternative to csvData)"
                },
                "operation": {
                    "type": "string",
                    "enum": ["summary", "filter", "transform", "convert"],
                    "description": "Operation to perform on the CSV data"
                },
                "filterColumn": {
                    "type": "string",
                    "description": "Column to filter by (for filter operation)"
                },
                "filterValue": {
                    "type": "string",
                    "description": "Value to filter for (for filter operation)"
                },
                "outputFormat": {
                    "type": "string",
                    "enum": ["json", "csv", "markdown"],
                    "default": "json",
                    "description": "Output format for the processed data"
                }
            },
            "oneOf": [
                {"required": ["csvData", "operation"]},
                {"required": ["csvUrl", "operation"]}
            ]
        }
    
    async def execute_async(self, request: ToolRequest) -> ToolResponse:
        try:
            # Extract parameters
            operation = request.parameters.get("operation")
            output_format = request.parameters.get("outputFormat", "json")
            
            # Get CSV data from either direct data or URL
            df = await self._get_dataframe(request)
            
            # Process based on requested operation
            result = {}
            
            if operation == "summary":
                result = self._generate_summary(df)
            elif operation == "filter":
                column = request.parameters.get("filterColumn")
                value = request.parameters.get("filterValue")
                if not column:
                    raise ToolExecutionException("filterColumn is required for filter operation")
                result = self._filter_data(df, column, value)
            elif operation == "transform":
                result = self._transform_data(df, request.parameters)
            elif operation == "convert":
                result = self._convert_format(df, output_format)
            else:
                raise ToolExecutionException(f"Unknown operation: {operation}")
            
            return ToolResponse(result=result)
        
        except Exception as e:
            raise ToolExecutionException(f"CSV processing failed: {str(e)}")
    
    async def _get_dataframe(self, request: ToolRequest) -> pd.DataFrame:
        """Gets a pandas DataFrame from either CSV data or URL"""
        if "csvData" in request.parameters:
            csv_data = request.parameters.get("csvData")
            return pd.read_csv(io.StringIO(csv_data))
        elif "csvUrl" in request.parameters:
            csv_url = request.parameters.get("csvUrl")
            return pd.read_csv(csv_url)
        else:
            raise ToolExecutionException("Either csvData or csvUrl must be provided")
    
    def _generate_summary(self, df: pd.DataFrame) -> Dict[str, Any]:
        """Generates a summary of the CSV data"""
        return {
            "columns": df.columns.tolist(),
            "rowCount": len(df),
            "columnCount": len(df.columns),
            "numericColumns": df.select_dtypes(include=['number']).columns.tolist(),
            "categoricalColumns": df.select_dtypes(include=['object']).columns.tolist(),
            "sampleRows": json.loads(df.head(5).to_json(orient="records")),
            "statistics": json.loads(df.describe().to_json())
        }
    
    def _filter_data(self, df: pd.DataFrame, column: str, value: str) -> Dict[str, Any]:
        """Filters the DataFrame by a column value"""
        if column not in df.columns:
            raise ToolExecutionException(f"Column '{column}' not found")
            
        filtered_df = df[df[column].astype(str).str.contains(value)]
        
        return {
            "originalRowCount": len(df),
            "filteredRowCount": len(filtered_df),
            "data": json.loads(filtered_df.to_json(orient="records"))
        }
    
    def _transform_data(self, df: pd.DataFrame, params: Dict[str, Any]) -> Dict[str, Any]:
        """Transforms the data based on parameters"""
        # Implementation would include various transformations
        return {
            "status": "success",
            "message": "Transformation applied"
        }
    
    def _convert_format(self, df: pd.DataFrame, format: str) -> Dict[str, Any]:
        """Converts the DataFrame to different formats"""
        if format == "json":
            return {
                "data": json.loads(df.to_json(orient="records")),
                "format": "json"
            }
        elif format == "csv":
            return {
                "data": df.to_csv(index=False),
                "format": "csv"
            }
        elif format == "markdown":
            return {
                "data": df.to_markdown(),
                "format": "markdown"
            }
        else:
            raise ToolExecutionException(f"Unsupported output format: {format}")

دستورالعمل‌های مشارکت

برای موفقیت در مشارکت در پروژه‌های MCP:

  1. کوچک شروع کنید: با مستندات، رفع اشکال یا بهبودهای کوچک شروع کنید.
  2. از راهنمای سبک پیروی کنید: به سبک کدنویسی و قراردادهای پروژه پایبند باشید.
  3. تست بنویسید: برای مشارکت‌های کد خود تست‌های واحد اضافه کنید.
  4. کار خود را مستند کنید: برای ویژگی‌ها یا تغییرات جدید مستندات واضح اضافه کنید.
  5. PRهای هدفمند ارسال کنید: درخواست‌های کشش را بر روی یک مسئله یا ویژگی متمرکز نگه دارید.
  6. با بازخورد تعامل کنید: به بازخوردهای مربوط به مشارکت‌های خود پاسخگو باشید.

جریان کاری مثال مشارکت

# Clone the repository
git clone https://github.com/modelcontextprotocol/typescript-sdk.git
cd typescript-sdk

# Create a new branch for your contribution
git checkout -b feature/my-contribution

# Make your changes
# ...

# Run tests to ensure your changes don't break existing functionality
npm test

# Commit your changes with a descriptive message
git commit -am "Fix validation in resource handler"

# Push your branch to your fork
git push origin feature/my-contribution

# Create a pull request from your branch to the main repository
# Then engage with feedback and iterate on your PR as needed

ایجاد و به اشتراک‌گذاری سرورهای MCP

یکی از ارزشمندترین راه‌ها برای مشارکت در اکوسیستم MCP، ایجاد و به اشتراک‌گذاری سرورهای سفارشی MCP است. جامعه تاکنون صدها سرور برای خدمات و موارد استفاده مختلف توسعه داده است.

چارچوب‌های توسعه سرور MCP

چندین چارچوب برای ساده‌سازی توسعه سرور MCP در دسترس است:

  1. SDKهای رسمی:

  2. چارچوب‌های جامعه:

توسعه ابزارهای قابل اشتراک‌گذاری

مثال .NET: ایجاد یک بسته ابزار قابل اشتراک‌گذاری

// Create a new .NET library project
// dotnet new classlib -n McpFinanceTools

using Microsoft.Mcp.Tools;
using System.Threading.Tasks;
using System.Net.Http;
using System.Text.Json;

namespace McpFinanceTools
{
    // Stock quote tool
    public class StockQuoteTool : IMcpTool
    {
        private readonly HttpClient _httpClient;
        
        public StockQuoteTool(HttpClient httpClient = null)
        {
            _httpClient = httpClient ?? new HttpClient();
        }
        
        public string Name => "stockQuote";
        public string Description => "Gets current stock quotes for specified symbols";
        
        public object GetSchema()
        {
            return new {
                type = "object",
                properties = new {
                    symbol = new { 
                        type = "string",
                        description = "Stock symbol (e.g., MSFT, AAPL)" 
                    },
                    includeHistory = new { 
                        type = "boolean",
                        description = "Whether to include historical data",
                        default = false
                    }
                },
                required = new[] { "symbol" }
            };
        }
        
        public async Task<ToolResponse> ExecuteAsync(ToolRequest request)
        {
            // Extract parameters
            string symbol = request.Parameters.GetProperty("symbol").GetString();
            bool includeHistory = false;
            
            if (request.Parameters.TryGetProperty("includeHistory", out var historyProp))
            {
                includeHistory = historyProp.GetBoolean();
            }
            
            // Call external API (example)
            var quoteResult = await GetStockQuoteAsync(symbol);
            
            // Add historical data if requested
            if (includeHistory)
            {
                var historyData = await GetStockHistoryAsync(symbol);
                quoteResult.Add("history", historyData);
            }
            
            // Return formatted result
            return new ToolResponse {
                Result = JsonSerializer.SerializeToElement(quoteResult)
            };
        }
        
        private async Task<Dictionary<string, object>> GetStockQuoteAsync(string symbol)
        {
            // Implementation would call a real stock API
            // This is a simplified example
            return new Dictionary<string, object>
            {
                ["symbol"] = symbol,
                ["price"] = 123.45,
                ["change"] = 2.5,
                ["percentChange"] = 1.2,
                ["lastUpdated"] = DateTime.UtcNow
            };
        }
        
        private async Task<object> GetStockHistoryAsync(string symbol)
        {
            // Implementation would get historical data
            // Simplified example
            return new[]
            {
                new { date = DateTime.Now.AddDays(-7).Date, price = 120.25 },
                new { date = DateTime.Now.AddDays(-6).Date, price = 122.50 },
                new { date = DateTime.Now.AddDays(-5).Date, price = 121.75 }
                // More historical data...
            };
        }
    }
}

// Create package and publish to NuGet
// dotnet pack -c Release
// dotnet nuget push bin/Release/McpFinanceTools.1.0.0.nupkg -s https://api.nuget.org/v3/index.json -k YOUR_API_KEY

مثال جاوا: ایجاد یک بسته Maven برای ابزارها

// pom.xml configuration for a shareable MCP tool package
<!-- 
<project>
    <groupId>com.example</groupId>
    <artifactId>mcp-weather-tools</artifactId>
    <version>1.0.0</version>
    
    <dependencies>
        <dependency>
            <groupId>com.mcp</groupId>
            <artifactId>mcp-server</artifactId>
            <version>1.0.0</version>
        </dependency>
    </dependencies>
    
    <distributionManagement>
        <repository>
            <id>github</id>
            <name>GitHub Packages</name>
            <url>https://maven.pkg.github.com/username/mcp-weather-tools</url>
        </repository>
    </distributionManagement>
</project>
-->

package com.example.mcp.weather;

import com.mcp.tools.Tool;
import com.mcp.tools.ToolRequest;
import com.mcp.tools.ToolResponse;
import com.mcp.tools.ToolExecutionException;

import java.net.http.HttpClient;
import java.net.http.HttpRequest;
import java.net.http.HttpResponse;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;

public class WeatherForecastTool implements Tool {
    private final HttpClient httpClient;
    private final String apiKey;
    
    public WeatherForecastTool(String apiKey) {
        this.httpClient = HttpClient.newHttpClient();
        this.apiKey = apiKey;
    }
    
    @Override
    public String getName() {
        return "weatherForecast";
    }
    
    @Override
    public String getDescription() {
        return "Gets weather forecast for a specified location";
    }
    
    @Override
    public Object getSchema() {
        Map<String, Object> schema = new HashMap<>();
        // Schema definition...
        return schema;
    }
    
    @Override
    public ToolResponse execute(ToolRequest request) {
        try {
            String location = request.getParameters().get("location").asText();
            int days = request.getParameters().has("days") ? 
                request.getParameters().get("days").asInt() : 3;
            
            // Call weather API
            Map<String, Object> forecast = getForecast(location, days);
            
            // Build response
            return new ToolResponse.Builder()
                .setResult(forecast)
                .build();
        } catch (Exception ex) {
            throw new ToolExecutionException("Weather forecast failed: " + ex.getMessage(), ex);
        }
    }
    
    private Map<String, Object> getForecast(String location, int days) {
        // Implementation would call weather API
        // Simplified example
        Map<String, Object> result = new HashMap<>();
        // Add forecast data...
        return result;
    }
}

// Build and publish using Maven
// mvn clean package
// mvn deploy

مثال پایتون: انتشار یک بسته PyPI

# Directory structure for a PyPI package:
# mcp_nlp_tools/
# ├── LICENSE
# ├── README.md
# ├── setup.py
# ├── mcp_nlp_tools/
# │   ├── __init__.py
# │   ├── sentiment_tool.py
# │   └── translation_tool.py

# Example setup.py
"""
from setuptools import setup, find_packages

setup(
    name="mcp_nlp_tools",
    version="0.1.0",
    packages=find_packages(),
    install_requires=[
        "mcp_server>=1.0.0",
        "transformers>=4.0.0",
        "torch>=1.8.0"
    ],
    author="Your Name",
    author_email="your.email@example.com",
    description="MCP tools for natural language processing tasks",
    long_description=open("README.md").read(),
    long_description_content_type="text/markdown",
    url="https://github.com/username/mcp_nlp_tools",
    classifiers=[
        "Programming Language :: Python :: 3",
        "License :: OSI Approved :: MIT License",
        "Operating System :: OS Independent",
    ],
    python_requires=">=3.8",
)
"""

# Example NLP tool implementation (sentiment_tool.py)
from mcp_tools import Tool, ToolRequest, ToolResponse, ToolExecutionException
from transformers import pipeline
import torch

class SentimentAnalysisTool(Tool):
    """MCP tool for sentiment analysis of text"""
    
    def __init__(self, model_name="distilbert-base-uncased-finetuned-sst-2-english"):
        # Load the sentiment analysis model
        self.sentiment_analyzer = pipeline("sentiment-analysis", model=model_name)
    
    def get_name(self):
        return "sentimentAnalysis"
        
    def get_description(self):
        return "Analyzes the sentiment of text, classifying it as positive or negative"
    
    def get_schema(self):
        return {
            "type": "object",
            "properties": {
                "text": {
                    "type": "string", 
                    "description": "The text to analyze for sentiment"
                },
                "includeScore": {
                    "type": "boolean",
                    "description": "Whether to include confidence scores",
                    "default": True
                }
            },
            "required": ["text"]
        }
    
    async def execute_async(self, request: ToolRequest) -> ToolResponse:
        try:
            # Extract parameters
            text = request.parameters.get("text")
            include_score = request.parameters.get("includeScore", True)
            
            # Analyze sentiment
            sentiment_result = self.sentiment_analyzer(text)[0]
            
            # Format result
            result = {
                "sentiment": sentiment_result["label"],
                "text": text
            }
            
            if include_score:
                result["score"] = sentiment_result["score"]
            
            # Return result
            return ToolResponse(result=result)
            
        except Exception as e:
            raise ToolExecutionException(f"Sentiment analysis failed: {str(e)}")

# To publish:
# python setup.py sdist bdist_wheel
# python -m twine upload dist/*

به اشتراک‌گذاری بهترین شیوه‌ها

هنگام به اشتراک‌گذاری ابزارهای MCP با جامعه:

  1. مستندات کامل:

    • هدف، نحوه استفاده و مثال‌ها را مستند کنید.
    • پارامترها و مقادیر بازگشتی را توضیح دهید.
    • وابستگی‌های خارجی را مستند کنید.

  2. مدیریت خطا:

    • مدیریت خطای قوی پیاده‌سازی کنید.
    • پیام‌های خطای مفید ارائه دهید.
    • موارد خاص را به خوبی مدیریت کنید.

  3. ملاحظات عملکردی:

    • برای سرعت و استفاده از منابع بهینه‌سازی کنید.
    • در صورت لزوم کش‌گذاری را پیاده‌سازی کنید.
    • مقیاس‌پذیری را در نظر بگیرید.

  4. امنیت:

    • از کلیدهای API و احراز هویت امن استفاده کنید.
    • ورودی‌ها را اعتبارسنجی و پاک‌سازی کنید.
    • محدودیت نرخ برای فراخوانی‌های API خارجی پیاده‌سازی کنید.

  5. تست:

    • پوشش تست جامع را شامل کنید.
    • با انواع ورودی و موارد خاص تست کنید.
    • روش‌های تست را مستند کنید.

همکاری جامعه و بهترین شیوه‌ها

همکاری مؤثر کلید یک اکوسیستم MCP پررونق است.

کانال‌های ارتباطی

  • مشکلات و بحث‌های GitHub
  • Microsoft Tech Community
  • کانال‌های Discord و Slack
  • Stack Overflow (برچسب: model-context-protocol یا mcp)

بازبینی کد

هنگام بازبینی مشارکت‌های MCP:

  1. وضوح: آیا کد واضح و مستند است؟
  2. درستی: آیا همان‌طور که انتظار می‌رود کار می‌کند؟
  3. سازگاری: آیا از قراردادهای پروژه پیروی می‌کند؟
  4. کامل بودن: آیا تست‌ها و مستندات شامل شده‌اند؟
  5. امنیت: آیا نگرانی‌های امنیتی وجود دارد؟

سازگاری نسخه

هنگام توسعه برای MCP:

  1. نسخه‌بندی پروتکل: به نسخه پروتکل MCP که ابزار شما پشتیبانی می‌کند پایبند باشید.
  2. سازگاری کلاینت: سازگاری با نسخه‌های قبلی را در نظر بگیرید.
  3. سازگاری سرور: دستورالعمل‌های پیاده‌سازی سرور را دنبال کنید.
  4. تغییرات شکسته: هرگونه تغییر شکسته را به وضوح مستند کنید.

پروژه نمونه جامعه: رجیستری ابزار MCP

یک مشارکت مهم جامعه می‌تواند توسعه یک رجیستری عمومی برای ابزارهای MCP باشد.

# Example schema for a community tool registry API

from fastapi import FastAPI, HTTPException, Depends
from pydantic import BaseModel, Field, HttpUrl
from typing import List, Optional
import datetime
import uuid

# Models for the tool registry
class ToolSchema(BaseModel):
    """JSON Schema for a tool"""
    type: str
    properties: dict
    required: List[str] = []

class ToolRegistration(BaseModel):
    """Information for registering a tool"""
    name: str = Field(..., description="Unique name for the tool")
    description: str = Field(..., description="Description of what the tool does")
    version: str = Field(..., description="Semantic version of the tool")
    schema: ToolSchema = Field(..., description="JSON Schema for tool parameters")
    author: str = Field(..., description="Author of the tool")
    repository: Optional[HttpUrl] = Field(None, description="Repository URL")
    documentation: Optional[HttpUrl] = Field(None, description="Documentation URL")
    package: Optional[HttpUrl] = Field(None, description="Package URL")
    tags: List[str] = Field(default_factory=list, description="Tags for categorization")
    examples: List[dict] = Field(default_factory=list, description="Example usage")

class Tool(ToolRegistration):
    """Tool with registry metadata"""
    id: uuid.UUID = Field(default_factory=uuid.uuid4)
    created_at: datetime.datetime = Field(default_factory=datetime.datetime.now)
    updated_at: datetime.datetime = Field(default_factory=datetime.datetime.now)
    downloads: int = Field(default=0)
    rating: float = Field(default=0.0)
    ratings_count: int = Field(default=0)

# FastAPI application for the registry
app = FastAPI(title="MCP Tool Registry")

# In-memory database for this example
tools_db = {}

@app.post("/tools", response_model=Tool)
async def register_tool(tool: ToolRegistration):
    """Register a new tool in the registry"""
    if tool.name in tools_db:
        raise HTTPException(status_code=400, detail=f"Tool '{tool.name}' already exists")
    
    new_tool = Tool(**tool.dict())
    tools_db[tool.name] = new_tool
    return new_tool

@app.get("/tools", response_model=List[Tool])
async def list_tools(tag: Optional[str] = None):
    """List all registered tools, optionally filtered by tag"""
    if tag:
        return [tool for tool in tools_db.values() if tag in tool.tags]
    return list(tools_db.values())

@app.get("/tools/{tool_name}", response_model=Tool)
async def get_tool(tool_name: str):
    """Get information about a specific tool"""
    if tool_name not in tools_db:
        raise HTTPException(status_code=404, detail=f"Tool '{tool_name}' not found")
    return tools_db[tool_name]

@app.delete("/tools/{tool_name}")
async def delete_tool(tool_name: str):
    """Delete a tool from the registry"""
    if tool_name not in tools_db:
        raise HTTPException(status_code=404, detail=f"Tool '{tool_name}' not found")
    del tools_db[tool_name]
    return {"message": f"Tool '{tool_name}' deleted"}

نکات کلیدی

  • جامعه MCP متنوع است و از انواع مختلف مشارکت‌ها استقبال می‌کند.
  • مشارکت در MCP می‌تواند از بهبود پروتکل اصلی تا ابزارهای سفارشی متغیر باشد.
  • پیروی از دستورالعمل‌های مشارکت شانس پذیرش PR شما را افزایش می‌دهد.
  • ایجاد و به اشتراک‌گذاری ابزارهای MCP راهی ارزشمند برای بهبود اکوسیستم است.
  • همکاری جامعه برای رشد و بهبود MCP ضروری است.

تمرین

  1. یک حوزه در اکوسیستم MCP شناسایی کنید که می‌توانید بر اساس مهارت‌ها و علایق خود در آن مشارکت کنید.
  2. مخزن MCP را فورک کنید و یک محیط توسعه محلی راه‌اندازی کنید.
  3. یک بهبود کوچک، رفع اشکال یا ابزاری ایجاد کنید که برای جامعه مفید باشد.
  4. مشارکت خود را با تست‌ها و مستندات مناسب مستند کنید.
  5. یک درخواست کشش به مخزن مناسب ارسال کنید.

منابع اضافی

بعدی: درس‌هایی از پذیرش اولیه

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.