CloudChampion MCP Server

CloudChampion MCP Server

MCP server to query Cloud Champion's training catalog. Enables AI agents to search, filter, and get statistics about Microsoft partner resources like webinars, videos, learning paths, and podcasts.

Category
访问服务器

README

CloudChampion MCP Server

Servidor MCP (Model Context Protocol) para consultar el catálogo de formación de Cloud Champion (cloudchampion.es y variantes por país).

Expone herramientas que permiten a agentes de IA buscar, filtrar y obtener estadísticas sobre webinars, vídeos, learning paths, podcasts y otros recursos de Microsoft para partners.

Arquitectura

Agente IA ──► MCP Server (FastMCP) ──► API Cloud Champion
                  │                     /wp-json/feed/content
                  │
                  └── Caché en memoria (TTL configurable)
  • Feed API: GET https://www.cloudchampion.es/wp-json/feed/content — catálogo global público (todos los países/idiomas)
  • Caché: En memoria con TTL de 10 min (configurable) para evitar llamadas excesivas
  • Búsqueda: Fuzzy matching sin tildes/diacríticos para español y otros idiomas
  • Transporte: Streamable HTTP (default), SSE o stdio

Herramientas disponibles (Tools)

Tool Descripción
buscar_formacion Búsqueda textual + filtros combinables (país, idioma, tipo, audiencia, área, provider, fechas)
listar_proximas_formaciones Formaciones futuras en una ventana de N días
detalle_formacion Detalle completo de una formación por título parcial o ID
listar_filtros_disponibles Valores únicos disponibles para cada filtro (tipos, áreas, idiomas, etc.)
estadisticas_catalogo Estadísticas del catálogo: totales por tipo, área, audiencia, provider, rango de fechas

Desarrollo local

Requisitos

  • Python 3.11+
  • pip

Instalación

# Clonar el repositorio
git clone <repo-url>
cd cloudchampion-mcp

# Instalar dependencias
pip install -r requirements.txt

# (Opcional) Copiar y ajustar variables de entorno
cp .env.example .env

Modo desarrollo con inspector web

fastmcp dev src/mcp_cloudchampion/server.py

Esto abre el inspector web de FastMCP donde puedes probar las tools interactivamente.

Modo stdio (para uso local con clientes MCP)

MCP_TRANSPORT=stdio python -m mcp_cloudchampion.server

Modo HTTP (para acceso remoto)

python -m mcp_cloudchampion.server
# Servidor en http://0.0.0.0:8000

Docker

Build

docker build -t mcp-cloudchampion .

Run

docker run -p 8000:8000 mcp-cloudchampion

Con variables de entorno custom

docker run -p 8000:8000 \
  -e CACHE_TTL_SECONDS=300 \
  -e LOG_LEVEL=DEBUG \
  mcp-cloudchampion

Despliegue en Azure Container Apps

La infraestructura se define como IaC con Bicep en la carpeta infra/.

1. Crear infraestructura con Bicep

RESOURCE_GROUP="rg-cloudchampion-mcp"
LOCATION="westeurope"

# Crear Resource Group
az group create --name $RESOURCE_GROUP --location $LOCATION

# Desplegar infraestructura (ACR + Log Analytics + Container Apps Env + Container App)
az deployment group create \
  --resource-group $RESOURCE_GROUP \
  --template-file infra/main.bicep \
  --parameters infra/main.parameters.json

# Ver outputs (FQDN, MCP endpoint, ACR login server)
az deployment group show \
  --resource-group $RESOURCE_GROUP \
  --name main \
  --query 'properties.outputs' -o json

Recursos creados:

  • Azure Container Registry (Basic SKU, admin habilitado)
  • Log Analytics Workspace (retención 30 días)
  • Container Apps Environment (con logging a Log Analytics)
  • Container App (scale to zero, 0.25 vCPU, 0.5 GiB RAM, ingress HTTP externo)

2. Build & Deploy de la imagen

ACR_NAME="acrcloudchampionmcp"
ACA_APP="mcp-cloudchampion"

# Build imagen en ACR
az acr build --registry $ACR_NAME --image mcp-cloudchampion:latest .

# Actualizar Container App con la nueva imagen
az containerapp update \
  --name $ACA_APP \
  --resource-group $RESOURCE_GROUP \
  --image "$ACR_NAME.azurecr.io/mcp-cloudchampion:latest"

3. Obtener URL

az containerapp show --name $ACA_APP --resource-group $RESOURCE_GROUP \
  --query "properties.configuration.ingress.fqdn" -o tsv

Personalizar parámetros

Edita infra/main.parameters.json para cambiar el nombre del ACR, CPU, memoria, réplicas, etc. Parámetros disponibles:

Parámetro Descripción Default
acrName Nombre del ACR (globalmente único) acrcloudchampionmcp
environmentName Nombre del Container Apps Environment env-cloudchampion-mcp
appName Nombre de la Container App mcp-cloudchampion
minReplicas Mín. réplicas (0 = scale to zero) 0
maxReplicas Máx. réplicas 3
cpu CPU asignada 0.25
memory Memoria asignada 0.5Gi
cacheTtlSeconds TTL de caché del feed 600
logLevel Nivel de logging INFO

CI/CD

El workflow de GitHub Actions (.github/workflows/deploy.yml) tiene dos jobs:

  1. infra — Despliega Bicep (solo si cambian ficheros en infra/ o se lanza manualmente con deploy_infra: true)
  2. build-and-deploy — Build de imagen en ACR + deploy a Container App (en cada push a main)

Requiere el secret AZURE_CREDENTIALS configurado en el repo.

Consumir el MCP

Desde VS Code / Claude Desktop

{
  "mcpServers": {
    "cloudchampion": {
      "url": "https://<tu-aca-url>.azurecontainerapps.io/mcp"
    }
  }
}

Desde un agente Python

from agents import Agent
from agents.mcp import MCPServerStreamableHttp

mcp = MCPServerStreamableHttp(url="https://<tu-aca-url>.azurecontainerapps.io/mcp")

agent = Agent(
    name="CloudChampionAssistant",
    instructions="Eres un asistente experto en formación de Cloud Champion...",
    mcp_servers=[mcp],
)

Variables de entorno

Variable Descripción Default
CLOUDCHAMPION_FEED_URL URL del feed de contenido https://www.cloudchampion.es/wp-json/feed/content
CACHE_TTL_SECONDS TTL de la caché en segundos 600
MCP_TRANSPORT Transporte: streamable-http, sse, stdio streamable-http
MCP_HOST Host de escucha 0.0.0.0
MCP_PORT Puerto de escucha 8000
LOG_LEVEL Nivel de logging INFO

Estructura del proyecto

├── src/
│   └── mcp_cloudchampion/
│       ├── __init__.py        # Versión del paquete
│       ├── __main__.py        # python -m entry point
│       ├── config.py          # Settings + logging setup
│       ├── text_utils.py      # Normalización de texto / fuzzy match
│       ├── feed_client.py     # Cliente HTTP + caché con TTL
│       ├── filters.py         # Motor de filtrado
│       └── server.py          # FastMCP server + 5 tools
├── Dockerfile                 # Multi-stage build
├── .dockerignore
├── .env.example
├── pyproject.toml
├── requirements.txt
├── README.md
└── .github/workflows/
    └── deploy.yml             # CI/CD → Azure Container Apps

Licencia

MIT

推荐服务器

Baidu Map

Baidu Map

百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。

官方
精选
JavaScript
Playwright MCP Server

Playwright MCP Server

一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。

官方
精选
TypeScript
Magic Component Platform (MCP)

Magic Component Platform (MCP)

一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。

官方
精选
本地
TypeScript
Audiense Insights MCP Server

Audiense Insights MCP Server

通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。

官方
精选
本地
TypeScript
VeyraX

VeyraX

一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。

官方
精选
本地
Kagi MCP Server

Kagi MCP Server

一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。

官方
精选
Python
graphlit-mcp-server

graphlit-mcp-server

模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。

官方
精选
TypeScript
e2b-mcp-server

e2b-mcp-server

使用 MCP 通过 e2b 运行代码。

官方
精选
Neon MCP Server

Neon MCP Server

用于与 Neon 管理 API 和数据库交互的 MCP 服务器

官方
精选
Exa MCP Server

Exa MCP Server

模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。

官方
精选