mcp-azure-landing-zone
Enables AI assistants to inspect and audit Azure Landing Zones by inventorying resources, auditing tagging, evaluating policy compliance, and detecting infrastructure drift, all in read-only mode.
README
mcp-azure-landing-zone
Servidor MCP (Model Context Protocol) que permite a un asistente de IA (Claude Desktop, Claude Code, o cualquier cliente MCP) inspeccionar y auditar una Azure Landing Zone:
- Inventariar los recursos desplegados en una subscripción.
- Auditar el gobierno de etiquetado (recursos sin tags).
- Evaluar el cumplimiento de Azure Policy vía Policy Insights.
- Detectar drift de infraestructura ejecutando
terraform planen local.
Todas las operaciones son de solo lectura: el servidor nunca crea, modifica ni elimina
recursos, y nunca ejecuta terraform apply.
Índice de documentación
| Documento | Contenido |
|---|---|
| docs/01-instalacion.md | Requisitos, instalación paso a paso, verificación |
| docs/02-configuracion.md | Llenado de config.yaml, variables de entorno, autenticación y permisos de Azure |
| docs/03-herramientas.md | Referencia de cada herramienta: parámetros, salida, ejemplos |
| docs/04-uso.md | Registro en Claude Desktop / Claude Code y prompts de ejemplo |
| docs/05-troubleshooting.md | Errores frecuentes y su solución |
Arquitectura
┌──────────────────┐ stdio (JSON-RPC) ┌─────────────────────────────┐
│ Claude Desktop │ ───────────────────► │ server.py (FastMCP) │
│ / Claude Code │ ◄─────────────────── │ "Azure Landing Zone Asst." │
└──────────────────┘ └──────────┬──────────────────┘
│
┌────────────────────────────┼────────────────────────────┐
▼ ▼ ▼
┌───────────────────┐ ┌────────────────────┐ ┌────────────────────┐
│ tools/resources.py│ │ tools/policy.py │ │ tools/terraform.py │
│ ResourceMgmtClient│ │ PolicyInsightsClient│ │ subprocess: plan │
└─────────┬─────────┘ └──────────┬─────────┘ └─────────┬──────────┘
│ DefaultAzureCredential │ │
▼ ▼ ▼
┌──────────────────────────────────────┐ ┌──────────────────────┐
│ Azure Resource Manager (ARM) │ │ Terraform + state │
└──────────────────────────────────────┘ └──────────────────────┘
Estructura de ficheros
mcp-azure-landing-zone/
├── server.py # Punto de entrada MCP (FastMCP, transporte stdio)
├── config.yaml # Configuración activa (NO subir a git si lleva datos reales)
├── config.example.yaml # Plantilla de configuración
├── requirements.txt # Dependencias
├── .env.example # Plantilla de variables de entorno
├── terraform/ # Configuración Terraform de la Landing Zone
│ ├── versions.tf # Versiones y backend
│ ├── providers.tf # Provider azurerm
│ ├── variables.tf # Variables de entrada
│ ├── main.tf # Data sources y ejemplo de importación
│ └── outputs.tf # Outputs de la configuración
├── tools/
│ ├── __init__.py
│ ├── resources.py # get_full_subscription_topology / get_untagged_resources / list_resources
│ ├── policy.py # get_policy_states
│ └── terraform.py # run_terraform_plan
└── docs/ # Documentación detallada
Inicio rápido (5 minutos)
cd /Users/juancarlosmartinez/PycharmProjects/mcp-azure-landing-zone
# 1. Dependencias
.venv/bin/pip install -r requirements.txt
# 2. Autenticación en Azure
az login
az account show --query id -o tsv # copia este id
# 3. Configuración: pega el id en config.yaml -> azure.default_subscription_id
# y ajusta terraform.working_dir
# 4. Verificación
.venv/bin/python -c "import server; print(server.get_server_configuration())"
# 5. Arranque manual (se queda esperando JSON-RPC por stdin: es lo correcto)
.venv/bin/python server.py
Registro en Claude Desktop
(~/Library/Application Support/Claude/claude_desktop_config.json):
{
"mcpServers": {
"azure-landing-zone": {
"command": "/Users/juancarlosmartinez/PycharmProjects/mcp-azure-landing-zone/.venv/bin/python",
"args": ["/Users/juancarlosmartinez/PycharmProjects/mcp-azure-landing-zone/server.py"]
}
}
}
Detalles y alternativas en docs/04-uso.md.
Herramientas expuestas
| Herramienta | Qué hace | Requiere |
|---|---|---|
get_subscription_topology |
Mapa jerárquico por resource group + resumen agregado, optimizado en tokens | Rol Reader en Azure |
list_azure_resources |
Inventario plano con id ARM completo (filtrable por resource group) | Rol Reader en Azure |
list_untagged_resources |
Recursos sin ninguna etiqueta, ordenados por grupo | Rol Reader en Azure |
get_policy_compliance |
Estado Compliant/NonCompliant por política y recurso | Lectura en Policy Insights |
detect_infrastructure_drift |
terraform plan -no-color -detailed-exitcode |
Terraform en el PATH + backend accesible |
get_server_configuration |
Configuración activa del servidor (diagnóstico) | — |
Eficiencia en tokens
get_subscription_topology está diseñada para que Claude pueda analizar toda la
infraestructura sin saturar el contexto. Medido sobre una subscripción real de
42 resource groups y 1 634 recursos:
| Modo | Tokens aprox. |
|---|---|
include_resources=true (detalle completo) |
~54 700 |
max_resources_per_group=5 |
~8 000 |
include_resources=false (solo resumen) |
~3 076 |
Los contadores agregados son idénticos en los tres modos. La estrategia
recomendada es empezar por el resumen y bajar al detalle solo del grupo que
interese con list_azure_resources.
Referencia completa con formatos de entrada/salida en docs/03-herramientas.md.
Estado actual del entorno
Comprobado el 2026-07-28 en esta máquina:
| Elemento | Estado |
|---|---|
| Dependencias Python | Instaladas en .venv (Python 3.14) |
Azure CLI (az) |
Instalado y con sesión iniciada |
terraform |
v1.15.8 instalado desde el tap hashicorp/tap |
terraform/ |
Inicializado (terraform init) y con línea base aplicada → SIN DRIFT |
config.yaml |
Apuntando a la subscripción real y al directorio terraform/ |
Las cinco herramientas se han ejecutado con éxito contra la subscripción real.
Seguridad
- El servidor no almacena credenciales. Usa
DefaultAzureCredential, que resuelve la identidad en cadena (variables de entorno → identidad administrada → Azure CLI → …). - El navegador interactivo está deshabilitado (
exclude_interactive_browser_credential=True) para que el proceso nunca se quede colgado esperando un login en un servidor sin interfaz. terraform planse ejecuta conshell=Falsey lista de argumentos explícita: ninguna entrada del modelo puede inyectar comandos adicionales.- Los logs van a stderr; stdout está reservado al protocolo MCP.
config.yamlpuede contener identificadores de subscripción: añádelo a.gitignoresi el repositorio es público (verconfig.example.yamlcomo plantilla versionable).
推荐服务器
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。
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。
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。
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。
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。
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。
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。
e2b-mcp-server
使用 MCP 通过 e2b 运行代码。
Neon MCP Server
用于与 Neon 管理 API 和数据库交互的 MCP 服务器
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。