Personal Server

Este es un servidor personal basado en el Model Context Protocol (MCP), diseñado para exponer de forma segura y controlada el sistema de archivos (lectura, escritura y metadatos) a modelos de IA.

El servidor puede ejecutarse de manera local (a través de la entrada y salida estándar stdio) o desplegarse en la nube en Azure App Service mediante Server-Sent Events (SSE).

🚀 Características y Herramientas Incluidas

El servidor expone 4 herramientas principales:

• listar_directorio: Muestra el contenido de una ruta (archivos, subcarpetas y tamaños).
• leer_archivo: Extrae el texto de un archivo específico.
• escribir_archivo: Crea o sobrescribe un archivo con nuevo contenido.
• info_archivo: Proporciona detalles como la última fecha de modificación, tipo y tamaño exacto en bytes.

Cuenta con protección integrada de seguridad (ruta_segura) para garantizar que la IA solo pueda interactuar con archivos dentro del directorio base de este proyecto.

📂 Estructura del Proyecto

• app.py: El código principal del servidor MCP. Contiene la lógica de las herramientas y soporta conexiones ASGI/SSE para la nube, además de contar con ejecución local (Stdio).
• client.py: Script de prueba asíncrono para conectarse a tu propio servidor (ya sea en local o en Azure) y ejecutar herramientas de demostración.
• requirements.txt: Dependencias de Python (mcp[sse], starlette, uvicorn).
• .env: Variables de entorno como la URL de tu Azure App Service y el modo en que quieres que se conecte el script de cliente.

⚙️ Uso en Entorno Local (Stdio)

Si quieres usar el servidor localmente (por ejemplo, para probar en tu terminal sin necesidad de conexión a internet):

1. Instala las dependencias:

   pip install -r requirements.txt
   

2. Asegúrate de que en tu archivo .env tengas configurado el modo local:

   MCP_MODO=local
   

3. Ejecuta el cliente para comprobar la conexión:

   python client.py
   

☁️ Despliegue en Azure App Service

El código está optimizado para funcionar sobre Azure App Service usando Gunicorn/Uvicorn, ya que MCP necesita mantener conexiones largas y memoria persistente, lo cual las arquitecturas serverless clásicas (como Azure Functions Consumption Plan) no soportan correctamente.

Para desplegarlo a Azure:

1. Asegúrate de estar autenticado en Azure CLI:

   az login
   

2. Ejecuta el comando de subida indicando tu nombre, grupo de recursos y el nivel (SKU) del servicio (ejemplo con F1 gratuito):

   az webapp up --name mcppersonal-app-alvaro --resource-group LopezRedondoAlvaro --runtime "PYTHON:3.11" --sku F1
   

3. Activa el Worker asíncrono en Azure para que Starlette (ASGI) maneje correctamente el streaming:

   az webapp config set --resource-group LopezRedondoAlvaro --name mcppersonal-app-alvaro --startup-file "gunicorn -w 4 -k uvicorn.workers.UvicornWorker app:app"
   

4. Actualiza tu .env para que apunte a Azure:

   MCP_MODO=azure
   MCP_AZURE_URL=https://mcppersonal-app-alvaro.azurewebsites.net/sse
   

5. ¡Lanza python client.py y verás la conexión contra tu nube!