Mage MCP Server

🚀 Mage.ai データパイプラインとモデルコンテキストプロトコル (MCP) の統合

Mage.ai 用に特別に設計された包括的なモデルコンテキストプロトコル (MCP) 統合ソリューションです。これにより、Anthropic の Claude などの AI アシスタントが Mage データパイプラインと効率的にやり取りできるようになります。

✨ 主な機能

• パイプラインの閲覧：すべての Mage.ai パイプラインとそのコンポーネントを探索します。
• コードの表示と編集：ブロックコードを閲覧し、変更できます。
• パイプラインの実行：パイプライン全体または個々のブロックを実行します。
• 検索機能：名前、タイプ、または内容でブロックを検索します。
• パイプラインの作成：ゼロから新しいパイプラインとブロックを作成します。

📦 インストール

# リポジトリをクローンする
git clone https://github.com/yourusername/mage-mcp.git
cd mage-mcp

# 依存関係をインストールする
pip install -r requirements.txt

📚 ドキュメント

設定方法

サーバーは環境変数またはコマンドライン引数で設定できます。

• MAGE_API_URL：Mage.ai API の URL アドレス（デフォルト値：http://localhost:6789/api/）
• MAGE_API_KEY：認証に必要な API キー（必要な場合）

永続的な設定を行うには、.env ファイルを作成します。

MAGE_API_URL=http://localhost:6789/api/
MAGE_API_KEY=your_api_key_if_needed

使用方法

サーバーの起動

提供されているスクリプトを使用して MCP サーバーを起動します。

# 標準入出力を使用した転送（デフォルト）
python run_server.py

# SSE 転送を使用する
python run_server.py --transport sse --host localhost --port 3000

# その他のオプション
python run_server.py --api-url http://your-mage-instance:6789/api/ --api-key your_key --debug

Claude Desktop との統合インストール

最適な体験を得るために、Claude Desktop から直接このサーバーをインストールします。

# mcp CLI を使用する
mcp install run_server.py --name "Mage.ai マネージャー"

# 環境変数での設定
mcp install run_server.py -v MAGE_API_URL=http://localhost:6789/api/ -v MAGE_API_KEY=your_key

開発モード

テストと開発に使用します。

mcp dev run_server.py

MCP リソースとツール

リソースアドレス

• mage://pipelines - すべてのパイプラインをリストします。
• mage://pipelines/{pipeline_uuid} - パイプラインの詳細情報を取得します。
• mage://pipelines/{pipeline_uuid}/blocks - パイプライン内のブロックを取得します。
• mage://pipelines/{pipeline_uuid}/blocks/{block_id} - 特定のブロックの詳細情報を取得します。
• mage://pipelines/{pipeline_uuid}/execute - パイプラインを実行します。
• mage://pipelines/{pipeline_uuid}/execute/{execution_id} - 実行ステータスを取得します。

ツール関数

• list_all_pipelines()：すべてのパイプラインのリストを返します。
• get_pipeline_details(pipeline_uuid)：指定されたパイプラインの詳細情報を取得します。
• execute_pipeline(pipeline_uuid, parameters)：パイプラインを実行し、パラメータを渡すことができます。
• search_blocks(query)：クエリ内容でブロックを検索します。

💻 使用例

基本的な使用法

# 新しいパイプラインを作成する
pipeline = create_pipeline("データ分析パイプライン", "データ処理と分析")

# パイプラインにブロックを追加する
add_block_to_pipeline(pipeline.uuid, "データクリーニング", "データをクリーニングする手順")

# パイプラインを実行する
execution_id = execute_pipeline(pipeline.uuid, {"input_data": "raw_data.csv"})

# 実行ステータスを取得する
status = get_execution_status(pipeline.uuid, execution_id)
print(status)  # 実行結果を出力する

🤝 コントリビューション

コントリビューションを歓迎します！詳細については CONTRIBUTING.md を参照してください。

📄 ライセンス

このプロジェクトは MIT ライセンスの下で公開されています。詳細は LICENSE ファイルを参照してください。