#fastmcp — Public Fediverse posts

[Перевод] Создание MCP‑серверов на FastMCP: 7 ошибок, которых стоит избегать

FastMCP позволяет быстро собрать MCP‑сервер, но скорость легко оборачивается ошибками: лишние токены, слабые схемы, сырые API‑примитивы, плохая обработка ошибок и риски безопасности. В статье разбираем 7 проблем, из‑за которых LLM‑агент начинает путаться, ломать сценарии и требовать лишних подтверждений, — и показываем, как их исправить.

https://habr.com/ru/companies/otus/articles/1032890/

#MCP #FastMCP #ИИагенты #LLM #Python #API #безопасность #обработка_ошибок #токены #проектирование_инструментов

[Перевод] Создание MCP‑серверов на FastMCP: 7 ошибок, которых стоит избегать

FastMCP позволяет быстро собрать MCP‑сервер, но скорость легко оборачивается ошибками: лишние токены, слабые схемы, сырые API‑примитивы, плохая обработка ошибок и риски безопасности. В статье разбираем 7 проблем, из‑за которых LLM‑агент начинает путаться, ломать сценарии и требовать лишних подтверждений, — и показываем, как их исправить.

https://habr.com/ru/companies/otus/articles/1032890/

#MCP #FastMCP #ИИагенты #LLM #Python #API #безопасность #обработка_ошибок #токены #проектирование_инструментов

[Перевод] Создание MCP‑серверов на FastMCP: 7 ошибок, которых стоит избегать

FastMCP позволяет быстро собрать MCP‑сервер, но скорость легко оборачивается ошибками: лишние токены, слабые схемы, сырые API‑примитивы, плохая обработка ошибок и риски безопасности. В статье разбираем 7 проблем, из‑за которых LLM‑агент начинает путаться, ломать сценарии и требовать лишних подтверждений, — и показываем, как их исправить.

https://habr.com/ru/companies/otus/articles/1032890/

#MCP #FastMCP #ИИагенты #LLM #Python #API #безопасность #обработка_ошибок #токены #проектирование_инструментов

[Перевод] Создание MCP‑серверов на FastMCP: 7 ошибок, которых стоит избегать

FastMCP позволяет быстро собрать MCP‑сервер, но скорость легко оборачивается ошибками: лишние токены, слабые схемы, сырые API‑примитивы, плохая обработка ошибок и риски безопасности. В статье разбираем 7 проблем, из‑за которых LLM‑агент начинает путаться, ломать сценарии и требовать лишних подтверждений, — и показываем, как их исправить.

https://habr.com/ru/companies/otus/articles/1032890/

#MCP #FastMCP #ИИагенты #LLM #Python #API #безопасность #обработка_ошибок #токены #проектирование_инструментов

Лучший код занял второе место: разбираем финал Dev-to-Dev хакатона и ищем границы агентной инженерии

В финале хакатона Dev-to-Dev: Agentic Engineering Challenge на втором месте оказался самый качественно написанный проект соревнования. 65 тестов, типы, защита от path traversal, Docker с non-root user, архитектура, в которой видно инженера, а не участника хакатона. И именно поэтому он не победил. Победителем стал не самый чистый код и не самая смелая архитектура. Это решение точнее всех попало в то, что мы пытались измерить — agentic engineering. Термин, которому едва пара лет, и в который каждая команда пока вкладывает что-то своё. Ниже разбираем 10 финалистов хакатона: что они построили, где заработали баллы и где их потеряли, какие архитектурные ставки сработали — и почему «писать хороший код» и «строить агентные системы» в 2026 году превратились в разные навыки.

https://habr.com/ru/articles/1034362/

#искусственный_интеллект #агентное_программирование #ииагенты #python #mcp #mcpserver #fastmcp #agentic_engineering #docker #claudemd

Лучший код занял второе место: разбираем финал Dev-to-Dev хакатона и ищем границы агентной инженерии

В финале хакатона Dev-to-Dev: Agentic Engineering Challenge на втором месте оказался самый качественно написанный проект соревнования. 65 тестов, типы, защита от path traversal, Docker с non-root user, архитектура, в которой видно инженера, а не участника хакатона. И именно поэтому он не победил. Победителем стал не самый чистый код и не самая смелая архитектура. Это решение точнее всех попало в то, что мы пытались измерить — agentic engineering. Термин, которому едва пара лет, и в который каждая команда пока вкладывает что-то своё. Ниже разбираем 10 финалистов хакатона: что они построили, где заработали баллы и где их потеряли, какие архитектурные ставки сработали — и почему «писать хороший код» и «строить агентные системы» в 2026 году превратились в разные навыки.

https://habr.com/ru/articles/1034362/

#искусственный_интеллект #агентное_программирование #ииагенты #python #mcp #mcpserver #fastmcp #agentic_engineering #docker #claudemd

Лучший код занял второе место: разбираем финал Dev-to-Dev хакатона и ищем границы агентной инженерии

В финале хакатона Dev-to-Dev: Agentic Engineering Challenge на втором месте оказался самый качественно написанный проект соревнования. 65 тестов, типы, защита от path traversal, Docker с non-root user, архитектура, в которой видно инженера, а не участника хакатона. И именно поэтому он не победил. Победителем стал не самый чистый код и не самая смелая архитектура. Это решение точнее всех попало в то, что мы пытались измерить — agentic engineering. Термин, которому едва пара лет, и в который каждая команда пока вкладывает что-то своё. Ниже разбираем 10 финалистов хакатона: что они построили, где заработали баллы и где их потеряли, какие архитектурные ставки сработали — и почему «писать хороший код» и «строить агентные системы» в 2026 году превратились в разные навыки.

https://habr.com/ru/articles/1034362/

#искусственный_интеллект #агентное_программирование #ииагенты #python #mcp #mcpserver #fastmcp #agentic_engineering #docker #claudemd

Лучший код занял второе место: разбираем финал Dev-to-Dev хакатона и ищем границы агентной инженерии

В финале хакатона Dev-to-Dev: Agentic Engineering Challenge на втором месте оказался самый качественно написанный проект соревнования. 65 тестов, типы, защита от path traversal, Docker с non-root user, архитектура, в которой видно инженера, а не участника хакатона. И именно поэтому он не победил. Победителем стал не самый чистый код и не самая смелая архитектура. Это решение точнее всех попало в то, что мы пытались измерить — agentic engineering. Термин, которому едва пара лет, и в который каждая команда пока вкладывает что-то своё. Ниже разбираем 10 финалистов хакатона: что они построили, где заработали баллы и где их потеряли, какие архитектурные ставки сработали — и почему «писать хороший код» и «строить агентные системы» в 2026 году превратились в разные навыки.

https://habr.com/ru/articles/1034362/

#искусственный_интеллект #агентное_программирование #ииагенты #python #mcp #mcpserver #fastmcp #agentic_engineering #docker #claudemd

Per-user OAuth для MCP-серверов: Keycloak, n8n и Telegram-бот через один Auth Proxy

MCP-серверы не умеют в авторизацию, n8n не умеет в per-user токены, а OAuth-клиенты говорят на разных диалектах. Рассказываем, как один Auth Proxy перед FastMCP Gateway закрыл все три проблемы — и почему в итоге бот переехал на LangGraph Архитектура, грабли и код

https://habr.com/ru/articles/1030302/

#MCP #OAuth2 #Keycloak #FastMCP #LangGraph #n8n #Telegramбот #peruser_авторизация #AIагент #Auth_Proxy

Per-user OAuth для MCP-серверов: Keycloak, n8n и Telegram-бот через один Auth Proxy

MCP-серверы не умеют в авторизацию, n8n не умеет в per-user токены, а OAuth-клиенты говорят на разных диалектах. Рассказываем, как один Auth Proxy перед FastMCP Gateway закрыл все три проблемы — и почему в итоге бот переехал на LangGraph Архитектура, грабли и код

https://habr.com/ru/articles/1030302/

#MCP #OAuth2 #Keycloak #FastMCP #LangGraph #n8n #Telegramбот #peruser_авторизация #AIагент #Auth_Proxy

Per-user OAuth для MCP-серверов: Keycloak, n8n и Telegram-бот через один Auth Proxy

MCP-серверы не умеют в авторизацию, n8n не умеет в per-user токены, а OAuth-клиенты говорят на разных диалектах. Рассказываем, как один Auth Proxy перед FastMCP Gateway закрыл все три проблемы — и почему в итоге бот переехал на LangGraph Архитектура, грабли и код

https://habr.com/ru/articles/1030302/

#MCP #OAuth2 #Keycloak #FastMCP #LangGraph #n8n #Telegramбот #peruser_авторизация #AIагент #Auth_Proxy

Per-user OAuth для MCP-серверов: Keycloak, n8n и Telegram-бот через один Auth Proxy

MCP-серверы не умеют в авторизацию, n8n не умеет в per-user токены, а OAuth-клиенты говорят на разных диалектах. Рассказываем, как один Auth Proxy перед FastMCP Gateway закрыл все три проблемы — и почему в итоге бот переехал на LangGraph Архитектура, грабли и код

https://habr.com/ru/articles/1030302/

#MCP #OAuth2 #Keycloak #FastMCP #LangGraph #n8n #Telegramбот #peruser_авторизация #AIагент #Auth_Proxy

Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)

Ещё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации». Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие : создала тикет в Jira, отправила письмо, запросила данные из CRM, проверила погоду и только потом сформулировала ответ. Именно здесь на сцену выходят AI-агенты — системы, которые не просто генерируют текст, а автономно принимают решение, какой инструмент вызвать , в каком порядке, и интерпретируют результат. Проблема в том, что до недавнего времени подключение каждого нового инструмента требовало написания «клея» — кастомных функций, обёрнутых в @tool декоратор LangChain, с ручным управлением аутентификацией, обработкой ошибок и сериализацией данных. Для продакшена это быстро превращалось в зоопарк нестандартных интеграций, который сложно поддерживать и масштабировать. Model Context Protocol (MCP) от Anthropic решает эту проблему, предлагая единый стандарт для подключения инструментов и источников данных к LLM-приложениям. Вместо того чтобы для каждого API писать свой адаптер, мы просто запускаем MCP-сервер, который предоставляет инструменты по стандартизированному протоколу. Агент подключается к этому серверу через MCP-клиент и получает доступ ко всем инструментам без лишнего кода. В этой статье мы соберём полноценного агента, который: 1. Умеет работать с внешним миром через MCP (узнавать погоду и создавать GitHub Issues); 2. Имеет доступ к внутренней базе знаний через RAG; 3. Принимает решения по ReAct-подходу с использованием LangGraph. Разбираем код и архитектуру

https://habr.com/ru/articles/1025428/

#python #ai #machine_learning #langchain #langgraph #mcp #rag #chromadb #fastmcp #llm

Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)

Ещё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации». Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие : создала тикет в Jira, отправила письмо, запросила данные из CRM, проверила погоду и только потом сформулировала ответ. Именно здесь на сцену выходят AI-агенты — системы, которые не просто генерируют текст, а автономно принимают решение, какой инструмент вызвать , в каком порядке, и интерпретируют результат. Проблема в том, что до недавнего времени подключение каждого нового инструмента требовало написания «клея» — кастомных функций, обёрнутых в @tool декоратор LangChain, с ручным управлением аутентификацией, обработкой ошибок и сериализацией данных. Для продакшена это быстро превращалось в зоопарк нестандартных интеграций, который сложно поддерживать и масштабировать. Model Context Protocol (MCP) от Anthropic решает эту проблему, предлагая единый стандарт для подключения инструментов и источников данных к LLM-приложениям. Вместо того чтобы для каждого API писать свой адаптер, мы просто запускаем MCP-сервер, который предоставляет инструменты по стандартизированному протоколу. Агент подключается к этому серверу через MCP-клиент и получает доступ ко всем инструментам без лишнего кода. В этой статье мы соберём полноценного агента, который: 1. Умеет работать с внешним миром через MCP (узнавать погоду и создавать GitHub Issues); 2. Имеет доступ к внутренней базе знаний через RAG; 3. Принимает решения по ReAct-подходу с использованием LangGraph. Разбираем код и архитектуру

https://habr.com/ru/articles/1025428/

#python #ai #machine_learning #langchain #langgraph #mcp #rag #chromadb #fastmcp #llm

Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)

Ещё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации». Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие : создала тикет в Jira, отправила письмо, запросила данные из CRM, проверила погоду и только потом сформулировала ответ. Именно здесь на сцену выходят AI-агенты — системы, которые не просто генерируют текст, а автономно принимают решение, какой инструмент вызвать , в каком порядке, и интерпретируют результат. Проблема в том, что до недавнего времени подключение каждого нового инструмента требовало написания «клея» — кастомных функций, обёрнутых в @tool декоратор LangChain, с ручным управлением аутентификацией, обработкой ошибок и сериализацией данных. Для продакшена это быстро превращалось в зоопарк нестандартных интеграций, который сложно поддерживать и масштабировать. Model Context Protocol (MCP) от Anthropic решает эту проблему, предлагая единый стандарт для подключения инструментов и источников данных к LLM-приложениям. Вместо того чтобы для каждого API писать свой адаптер, мы просто запускаем MCP-сервер, который предоставляет инструменты по стандартизированному протоколу. Агент подключается к этому серверу через MCP-клиент и получает доступ ко всем инструментам без лишнего кода. В этой статье мы соберём полноценного агента, который: 1. Умеет работать с внешним миром через MCP (узнавать погоду и создавать GitHub Issues); 2. Имеет доступ к внутренней базе знаний через RAG; 3. Принимает решения по ReAct-подходу с использованием LangGraph. Разбираем код и архитектуру

https://habr.com/ru/articles/1025428/

#python #ai #machine_learning #langchain #langgraph #mcp #rag #chromadb #fastmcp #llm

Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)

Ещё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации». Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие : создала тикет в Jira, отправила письмо, запросила данные из CRM, проверила погоду и только потом сформулировала ответ. Именно здесь на сцену выходят AI-агенты — системы, которые не просто генерируют текст, а автономно принимают решение, какой инструмент вызвать , в каком порядке, и интерпретируют результат. Проблема в том, что до недавнего времени подключение каждого нового инструмента требовало написания «клея» — кастомных функций, обёрнутых в @tool декоратор LangChain, с ручным управлением аутентификацией, обработкой ошибок и сериализацией данных. Для продакшена это быстро превращалось в зоопарк нестандартных интеграций, который сложно поддерживать и масштабировать. Model Context Protocol (MCP) от Anthropic решает эту проблему, предлагая единый стандарт для подключения инструментов и источников данных к LLM-приложениям. Вместо того чтобы для каждого API писать свой адаптер, мы просто запускаем MCP-сервер, который предоставляет инструменты по стандартизированному протоколу. Агент подключается к этому серверу через MCP-клиент и получает доступ ко всем инструментам без лишнего кода. В этой статье мы соберём полноценного агента, который: 1. Умеет работать с внешним миром через MCP (узнавать погоду и создавать GitHub Issues); 2. Имеет доступ к внутренней базе знаний через RAG; 3. Принимает решения по ReAct-подходу с использованием LangGraph. Разбираем код и архитектуру

https://habr.com/ru/articles/1025428/

#python #ai #machine_learning #langchain #langgraph #mcp #rag #chromadb #fastmcp #llm

Experimenting some more with an #MCP server to better understand this stuff: https://blog.davep.org/2026/04/12/ngmcp-v0-2-0.html

#MSDOS #clipper #nortonguide #AI #python #programming #fastMCP

Bon, ce matin j’ai joué avec la jolie Apfel (https://apfel.franzai.com/), la petite passerelle CLI qui expose le framework LLM de la 🍎 sous macOS.

Comme pour le wrapper de virtualisation, j’adore ce genre de bidouille qui ouvre l’accès aux ressources internes du système. C’est franchement cool à voir tourner, et surtout il y a un avantage immédiat : pas de tokens externes cramés, pas de données qui vadrouillent, tout reste sur mon Mac.

Dans l’usage quotidien en revanche, on reste sur quelque chose d’à peu près aussi limité qu’une conversation actuelle avec Siri 😅

Les traductions FR/IT sont parfois… créatives, et côté assistant de dev Python, je ne l’ai pas trouvé particulièrement flamboyant.

Mais ça ouvre quand même des possibilités très sympas pour bricoler des raccourcis locaux sur macOS, à condition de réussir quelques tours de passe-passe pour ne pas se faire satelliser par les SystemLanguageModel.Guardrails d’Apple, qui ont le déclencheur franchement sensible dès qu’on prononce “infosec” ou “vulnérabilité” 👀 😁

Là par exemple, je fais traiter les données d’une vulnérabilité via la très belle passerelle VulnMCP : https://github.com/vulnerability-lookup/VulnMCP

#macOS #Apple #LLM #Apfel #MCP #FastMCP #VulnMCP
#VulnerabilityLookup #brew

Bon, ce matin j’ai joué avec la jolie Apfel (https://apfel.franzai.com/), la petite passerelle CLI qui expose le framework LLM de la 🍎 sous macOS.

Comme pour le wrapper de virtualisation, j’adore ce genre de bidouille qui ouvre l’accès aux ressources internes du système. C’est franchement cool à voir tourner, et surtout il y a un avantage immédiat : pas de tokens externes cramés, pas de données qui vadrouillent, tout reste sur mon Mac.

Dans l’usage quotidien en revanche, on reste sur quelque chose d’à peu près aussi limité qu’une conversation actuelle avec Siri 😅

Les traductions FR/IT sont parfois… créatives, et côté assistant de dev Python, je ne l’ai pas trouvé particulièrement flamboyant.

Mais ça ouvre quand même des possibilités très sympas pour bricoler des raccourcis locaux sur macOS, à condition de réussir quelques tours de passe-passe pour ne pas se faire satelliser par les SystemLanguageModel.Guardrails d’Apple, qui ont le déclencheur franchement sensible dès qu’on prononce “infosec” ou “vulnérabilité” 👀 😁

Là par exemple, je fais traiter les données d’une vulnérabilité via la très belle passerelle VulnMCP : https://github.com/vulnerability-lookup/VulnMCP

#macOS #Apple #LLM #Apfel #MCP #FastMCP #VulnMCP
#VulnerabilityLookup #brew

Bon, ce matin j’ai joué avec la jolie Apfel (https://apfel.franzai.com/), la petite passerelle CLI qui expose le framework LLM de la 🍎 sous macOS.

Comme pour le wrapper de virtualisation, j’adore ce genre de bidouille qui ouvre l’accès aux ressources internes du système. C’est franchement cool à voir tourner, et surtout il y a un avantage immédiat : pas de tokens externes cramés, pas de données qui vadrouillent, tout reste sur mon Mac.

Dans l’usage quotidien en revanche, on reste sur quelque chose d’à peu près aussi limité qu’une conversation actuelle avec Siri 😅

Les traductions FR/IT sont parfois… créatives, et côté assistant de dev Python, je ne l’ai pas trouvé particulièrement flamboyant.

Mais ça ouvre quand même des possibilités très sympas pour bricoler des raccourcis locaux sur macOS, à condition de réussir quelques tours de passe-passe pour ne pas se faire satelliser par les SystemLanguageModel.Guardrails d’Apple, qui ont le déclencheur franchement sensible dès qu’on prononce “infosec” ou “vulnérabilité” 👀 😁

Là par exemple, je fais traiter les données d’une vulnérabilité via la très belle passerelle VulnMCP : https://github.com/vulnerability-lookup/VulnMCP

#macOS #Apple #LLM #Apfel #MCP #FastMCP #VulnMCP
#VulnerabilityLookup #brew

Bon, ce matin j’ai joué avec la jolie Apfel (https://apfel.franzai.com/), la petite passerelle CLI qui expose le framework LLM de la 🍎 sous macOS.

Comme pour le wrapper de virtualisation, j’adore ce genre de bidouille qui ouvre l’accès aux ressources internes du système. C’est franchement cool à voir tourner, et surtout il y a un avantage immédiat : pas de tokens externes cramés, pas de données qui vadrouillent, tout reste sur mon Mac.

Dans l’usage quotidien en revanche, on reste sur quelque chose d’à peu près aussi limité qu’une conversation actuelle avec Siri 😅

Les traductions FR/IT sont parfois… créatives, et côté assistant de dev Python, je ne l’ai pas trouvé particulièrement flamboyant.

Mais ça ouvre quand même des possibilités très sympas pour bricoler des raccourcis locaux sur macOS, à condition de réussir quelques tours de passe-passe pour ne pas se faire satelliser par les SystemLanguageModel.Guardrails d’Apple, qui ont le déclencheur franchement sensible dès qu’on prononce “infosec” ou “vulnérabilité” 👀 😁

Là par exemple, je fais traiter les données d’une vulnérabilité via la très belle passerelle VulnMCP : https://github.com/vulnerability-lookup/VulnMCP

#macOS #Apple #LLM #Apfel #MCP #FastMCP #VulnMCP
#VulnerabilityLookup #brew

Bon, ce matin j’ai joué avec la jolie Apfel (https://apfel.franzai.com/), la petite passerelle CLI qui expose le framework LLM de la 🍎 sous macOS.

Comme pour le wrapper de virtualisation, j’adore ce genre de bidouille qui ouvre l’accès aux ressources internes du système. C’est franchement cool à voir tourner, et surtout il y a un avantage immédiat : pas de tokens externes cramés, pas de données qui vadrouillent, tout reste sur mon Mac.

Dans l’usage quotidien en revanche, on reste sur quelque chose d’à peu près aussi limité qu’une conversation actuelle avec Siri 😅

Les traductions FR/IT sont parfois… créatives, et côté assistant de dev Python, je ne l’ai pas trouvé particulièrement flamboyant.

Mais ça ouvre quand même des possibilités très sympas pour bricoler des raccourcis locaux sur macOS, à condition de réussir quelques tours de passe-passe pour ne pas se faire satelliser par les SystemLanguageModel.Guardrails d’Apple, qui ont le déclencheur franchement sensible dès qu’on prononce “infosec” ou “vulnérabilité” 👀 😁

Là par exemple, je fais traiter les données d’une vulnérabilité via la très belle passerelle VulnMCP : https://github.com/vulnerability-lookup/VulnMCP

#macOS #Apple #LLM #Apfel #MCP #FastMCP #VulnMCP
#VulnerabilityLookup #brew

More tinking with an MCP server, and learning it's kinda clunky to develop and test one with #Copilot CLI: https://blog.davep.org/2026/04/12/global-and-local-mcp-servers-with-copilot-cli.html

#mcp #fastmcp #ai #python #programming #github

I've released the first version of NGMCP, an MCP server for reading and querying Norton Guide database files. https://blog.davep.org/2026/04/11/ngmcp-an-mcp-experiment.html

#python #programming #mcp #fastmcp #ai #agent #msdos

----------------

🛠️ Tool
===================

Opening: This repository implements a local MCP server that exposes the X API OpenAPI specification as discrete callable tools via a FastMCP adapter. The implementation intentionally omits streaming and webhook endpoints and focuses on synchronous REST-like tool invocation through an MCP interface.

Key Features:
• Exposes the full OpenAPI-derived tool surface for X API endpoints as individual tools that can be invoked by MCP clients.
• Supports both OAuth1 consent flow and bearer token usage for API authentication; the startup OAuth1 behavior initiates a browser consent and stores tokens in memory for the server lifetime.
• Provides an environment-driven filtering mechanism (X_API_TOOL_ALLOWLIST) to load a specific subset of tools at startup.
• Optional test client integration for xAI/Grok model testing, configurable via XAI_API_KEY and MCP_SERVER_URL settings.

Technical Implementation:
• The server loads the X API OpenAPI specification and maps each operation to an MCP tool interface, exposing a single MCP endpoint (default http://127.0.0.1:8000/mcp).
• Authentication paths include OAuth1 interactive consent and direct bearer token use; tokens are kept in memory and debug printing options are available via environment flags.
• Tool allowlisting is applied during OpenAPI spec load at startup, requiring a restart to change which tools are exposed.

Use Cases:
• Local development and testing of LLM agents or MCP clients that need programmatic access to X API operations without direct HTTP handling.
• Controlled environments where specific X API operations are exposed to downstream agents via a tool interface.
• Integration testing with AI models (e.g., Grok) that exercise X API tool calls through an MCP endpoint.

Limitations:
• Streaming and webhook endpoints are excluded, so use cases requiring real-time or callback semantics are unsupported.
• Tokens are volatile (in-memory) for the server lifecycle; long-term credential storage is not part of the design.
• Allowlist changes require server restart because filtering is applied at OpenAPI load time.

Additional Notes:
• The repository documents a comprehensive list of available tool calls (e.g., createPosts, getDirectMessagesEvents, createMediaMetadata), which can be selectively exposed.

🔹 tool #FastMCP #XAPI #OpenAPI #xAI

🔗 Source: https://github.com/xdevplatform/xmcp

🚀 Welcome to #FastMCP, where the #documentation is as #labyrinthine as a minotaur's day job. It's the #IKEA of tech: everything's "new", "updated", or "soon", but you still have to build it yourself—good luck finding the exit! 🛠️🔍
https://gofastmcp.com/getting-started/welcome #tech #builditself #troubleshooting #HackerNews #ngated

Welcome to FastMCP

https://gofastmcp.com/getting-started/welcome

#HackerNews #FastMCP #Welcome #NewTech #Innovation #Community

FastMCP brings a suite of Python tools for the Model Context Protocol, now with full type hints, docstrings, robust error handling, input validation and logging. Ideal for AI developers who want clean, maintainable code and seamless integration. Dive in to see how it streamlines your LLM workflows and boosts open‑source collaboration. #FastMCP #ModelContextProtocol #PythonAI #ErrorHandling

🔗 https://aidailypost.com/news/fastmcp-offers-python-tools-type-hints-docstrings-error-handling

FastMCP brings a suite of Python tools for the Model Context Protocol, now with full type hints, docstrings, robust error handling, input validation and logging. Ideal for AI developers who want clean, maintainable code and seamless integration. Dive in to see how it streamlines your LLM workflows and boosts open‑source collaboration. #FastMCP #ModelContextProtocol #PythonAI #ErrorHandling

🔗 https://aidailypost.com/news/fastmcp-offers-python-tools-type-hints-docstrings-error-handling

FastMCP brings a suite of Python tools for the Model Context Protocol, now with full type hints, docstrings, robust error handling, input validation and logging. Ideal for AI developers who want clean, maintainable code and seamless integration. Dive in to see how it streamlines your LLM workflows and boosts open‑source collaboration. #FastMCP #ModelContextProtocol #PythonAI #ErrorHandling

🔗 https://aidailypost.com/news/fastmcp-offers-python-tools-type-hints-docstrings-error-handling

I've added an interactive client script today. Makes it easier to play around and discover all the ways to break our little assistant:

#GISChat #QGIS #FastMCP #ministral

От монолита к модулям: строим масштабируемую архитектуру AI-агентов с FastMCP и LangChain

От монолита к модулям: строим масштабируемую архитектуру AI-агентов с FastMCP и LangChain Год бума AI-агентов показал: самая большая проблема — не галлюцинации, а архитектура. Когда инструментов много, а агенты распухают, копипаста и сложность тестирования убивают скорость разработки. В статье разбираем, как Model Context Protocol (MCP) и библиотека FastMCP помогают создать чистую, модульную систему: выносим логику в отдельные серверы, управляем контекстом через ресурсы и легко меняем поведение агентов. Показываем на Python и LangChain 1.0, как превратить набор скриптов в масштабируемую фабрику агентов.

https://habr.com/ru/articles/979064/

#python #ai #langchain #fastmcp #микросервисы #архитектура #ai_агенты

Fastmcpp (Fastmcp for C++)

https://github.com/0xeb/fastmcpp

#HackerNews #Fastmcpp #Fastmcp #C++ #Programming #GitHub #OpenSource

Fastmcpp (Fastmcp for C++)

https://github.com/0xeb/fastmcpp

#HackerNews #Fastmcpp #Fastmcp #C++ #Programming #GitHub #OpenSource

Fastmcpp (Fastmcp for C++)

https://github.com/0xeb/fastmcpp

#HackerNews #Fastmcpp #Fastmcp #C++ #Programming #GitHub #OpenSource

Fastmcpp (Fastmcp for C++)

https://github.com/0xeb/fastmcpp

#HackerNews #Fastmcpp #Fastmcp #C++ #Programming #GitHub #OpenSource

Fastmcpp (Fastmcp for C++)

https://github.com/0xeb/fastmcpp

#HackerNews #Fastmcpp #Fastmcp #C++ #Programming #GitHub #OpenSource

Как создать MCP-сервер и научить ИИ работать с любым кодом и инструментами через LangGraph

В этой статье разбираемся с MCP-серверами от А до Я: что это такое, зачем нужны и как создать свой. Научимся писать инструменты для ИИ-агентов, подключать готовые MCP-серверы через LangGraph, и создадим полноценный математический сервер с нуля. В конце задеплоим его в облако и подключим к нейросети. Много практики, рабочий код и никакой воды — только то, что действительно работает.

https://habr.com/ru/companies/amvera/articles/931874/

#mcp #model_context_protocol #langgraph #langchain #ииагенты #ai_agents #FastMCP #инструменты_для_ИИ #tools #python