mcps

Świetnie! Stworzymy kompletny AI-powered DevOps System oparty na Model Context Protocol (MCP), który:

1. rozpoczyna projekty na podstawie e-maila (inicjacja człowieka),
2. komunikuje się przez MCP z różnymi systemami (shell, docker, git, fs, itd.),
3. posiada agenta LLM, który zadaje pytania tylko, gdy brakuje informacji,
4. instaluje zależności, uruchamia kontenery, buildy, testy, itd.,
5. jest transparentny, modularny i sterowalny z jednego punktu.

---

🧠 Całościowa koncepcja systemu

„System autonomiczny, sterowany LLM, inicjowany przez człowieka przez e-mail, który automatycznie buduje projekt, testuje, wersjonuje i rozwija go dalej z pomocą MCP.”

---

📡 Podsumowanie wymaganych MCP serwerów i klientów

Typ	Nazwa Usługi (MCP)	Funkcja
✅ Server	mcp-server/email	Odbiór emaili z zamówieniami/projektami od ludzi
✅ Server	mcp-server/git	Obsługa GIT (clone, push, pull, diff, commit)
✅ Server	mcp-server/fs	Przegląd plików, metadane, tree, zmiany
✅ Server	mcp-server/lint	Analiza jakości kodu (flake8, black, isort, bandit)
✅ Server	mcp-server/test	Testy jednostkowe i integracyjne
✅ Server	mcp-server/sql	Baza wiedzy + zapis komunikacji i decyzji
✅ Server	mcp-server/log	Logowanie trace_id, monitorowanie zadań
✅ Server	mcp-server/gitlab	Uruchamianie CI/CD z GitLab runners
✅ Server	mcp-server/browser	Przeglądanie internetu przez headless browser (np. Playwright)
✅ Server	mcp-server/docker	Tworzenie i uruchamianie kontenerów + image pulling
✅ Server	mcp-server/shell	Wykonywanie zadań w shellu / środowisku OS
✅ Server	mcp-server/spec	Generowanie dokumentacji/spec z promptów
✅ Server	mcp-server/registry	Dostęp do GitHub/GitLab/PyPI/DockerHub API dla pobierania info

| ✅ Client | mcp-client/llm-agent | Główna jednostka sterująca, zadająca pytania, planująca wykonanie | | ✅ Client | mcp-client/planner | Strategiczny plan wykonania (dzielenie na kroki, kolejność, retry) | | ✅ Client | mcp-client/api-gateway | REST API, UI, CLI | | ✅ Client | mcp-client/observer | Audytor wszystkiego (trace, decyzje, dane wejściowe/wyjściowe) |

---

📦 Łącznie: 13 MCP Serverów + 4 Klienty = 17 komponentów MCP

---

📁 Struktura całego projektu

ai-devops-system/
├── docker-compose.yml
├── ansible/                         # provisioning lokalny i remote
│   ├── playbooks/
│   └── inventory/
├── terraform/                       # infrastruktura (opcjonalnie dla chmury)
│   └── main.tf
├── llm/
│   ├── dockerfile                   # DeepSeek/CodeLlama LLM container
│   └── weights/
├── mcp/
│   ├── clients/
│   │   ├── llm-agent/
│   │   ├── planner/
│   │   ├── api-gateway/
│   │   └── observer/
│   └── servers/
│       ├── email/
│       ├── fs/
│       ├── git/
│       ├── test/
│       ├── lint/
│       ├── sql/
│       ├── log/
│       ├── gitlab/
│       ├── shell/
│       ├── docker/
│       ├── browser/
│       ├── spec/
│       └── registry/
├── scripts/                         # helper tools, deployments
│   └── mcp_monitor.sh               # trace debugger
├── templates/                       # Prompty + wzory spec
├── projects/                        # aktywne projekty (mounted)
└── README.md

---

🐳 docker-compose.yml (fragment)

version: "3.9"
services:

  llm:
    build: ./llm
    ports: ["8000:8000"]
    volumes: ["./llm/weights:/models"]

  mcp-client-llm-agent:
    build: ./mcp/clients/llm-agent
    depends_on: [llm]

  mcp-server-email:
    build: ./mcp/servers/email
    environment:
      - EMAIL_HOST=imap.domain.com
      - EMAIL_USER=...
      - EMAIL_PASS=...

  mcp-server-docker:
    build: ./mcp/servers/docker
    volumes:
      - /var/run/docker.sock:/var/run/docker.sock
      - ./projects:/workspace

  mcp-server-shell:
    build: ./mcp/servers/shell

  # itd... pozostałe serwery

  api-gateway:
    build: ./mcp/clients/api-gateway
    ports: ["5000:5000"]

---

⚙️ Ansible

• ansible/playbooks/init-dev.yml – konfiguruje maszynę dev:

  • instaluje Docker, Python, git, llm-runner
  • ustawia lokalne cronjob do odpytania mcp-server/email

---

☁️ Terraform (opcjonalnie – chmura lub serwery zdalne)

resource "docker_container" "llm" {
  name  = "llm"
  image = "local-llm:latest"
  ports {
    internal = 8000
    external = 8000
  }
}

---

✉️ Obsługa e-mail (MCP Email Server)

• nasłuchuje na skrzynkę e-mail (IMAP)

• po wykryciu nowego maila:

  • parsuje temat, treść, załączniki
  • wysyła do mcp-client/llm-agent prompt: Użytkownik prosi o projekt X, oto treść maila...

• LLM zapyta: jakie dane są potrzebne?

  • jeśli ich nie ma → wysyła e-mail zwrotny z pytaniami
  • jeśli są → kontynuuje planowanie projektu

---

🤖 LLM Agent – flow logic

flowchart TD
    A[Nowy e-mail] --> B[Agent LLM]
    B --> C{Czy mam wszystkie dane?}
    C -- Nie --> D[Wygeneruj pytania i odeślij e-mailem]
    C -- Tak --> E[Wygeneruj plan projektu]
    E --> F[Uruchom docker/git/shell/lint...]
    F --> G[Loguj decyzje do SQL/log]

Loading

---

📌 Finalna lista usług (z docker-compose)

1. llm
2. mcp-server/email
3. mcp-server/git
4. mcp-server/fs
5. mcp-server/lint
6. mcp-server/test
7. mcp-server/sql
8. mcp-server/log
9. mcp-server/gitlab
10. mcp-server/docker
11. mcp-server/shell
12. mcp-server/browser
13. mcp-server/spec
14. mcp-server/registry
15. mcp-client/llm-agent
16. mcp-client/planner
17. mcp-client/api-gateway
18. mcp-client/observer

🧱 18 usług

---

Czy chcesz teraz:

• wygenerować szkielet projektu w plikach?
• stworzyć szablon jednego z MCP Serverów (np. docker, email)
• napisać pierwszy scenariusz testowy (np. email → kod)

Struktura projektu: ai-devops-system

=====================================

Główne foldery i modularna organizacja projektu.

/ ├── docker-compose.yml ├── requirements.txt ├── ansible/ │ └── ... (playbooki do instalacji docker, python, itd.) ├── terraform/ │ └── ... (opcjonalna infrastruktura pod chmurę) ├── llm/ │ ├── Dockerfile │ └── app.py # serwer LLM (FastAPI + weights) ├── projects/ # tu trzymane będą aktywne projekty ├── templates/ # szablony promptów, response, emaili itd. ├── scripts/ # helper tools, trace debug, deployy └── mcp/ ├── core/ │ ├── decorators.py # Model Context Protocol (MCP) Server

A Python implementation of the Model Context Protocol server with support for multiple services including Docker, Filesystem, and Email operations.

Features

• Docker MCP Server: Manage Docker containers, images, volumes, and networks
• Filesystem MCP Server: Perform file and directory operations
• Email MCP Server: Send and manage emails with various providers
• Webhook MCP Server: Handle webhook events and callbacks
• RESTful API: Modern API design with OpenAPI documentation
• Modular Architecture: Easy to extend with new services
• Environment Configuration: Centralized configuration using environment variables
• Logging & Monitoring: Built-in logging and Prometheus metrics

Prerequisites

import time import logging

def trace(func): @wraps(func) async def wrapper(*args, **kwargs): start = time.time() logging.info(f"[TRACE] Calling: {func.name} with {args}, {kwargs}") result = await func(*args, **kwargs) duration = time.time() - start logging.info(f"[TRACE] Done: {func.name} in {duration:.2f}s") return result return wrapper

Plik: mcp/servers/docker/main.py

from fastapi import FastAPI from mcp.core.schema import MCPRequest, MCPResponse from mcp.core.decorators import trace import uuid

app = FastAPI()

@app.post("/mcp") @trace async def handle_mcp(req: MCPRequest) -> MCPResponse: if req.action == "list_images": from docker_api import list_images data = list_images() else: return MCPResponse(id=req.id, source="docker", status="error", data=f"Unknown action: {req.action}")

return MCPResponse(id=req.id, source="docker", status="success", data=data)

Plik: mcp/servers/docker/docker_api.py

import docker

def list_images(): client = docker.from_env() return [img.tags for img in client.images.list()]