Yunxin MCP Server

Co dělá “yunxin” MCP Server?

Yunxin MCP (Model Context Protocol) Server je navržen k propojení AI asistentů se službami IM (Instant Messaging) a RTC (Real-Time Communication) NetEase Yunxin. Tím, že zpřístupňuje soubor nástrojů pro práci se zprávami a daty komunikace v reálném čase, yunxin-mcp-server umožňuje workflowy poháněné AI, například dotazování historie chatů, správu skupinových komunikací, monitorování metrik kvality RTC a agregaci aplikačních statistik. Tato integrace dává vývojářům a operátorům možnost automatizovat provoz, analyzovat trendy v komunikaci, monitorovat zdraví RTC a zlepšovat uživatelskou zkušenost díky zpřístupnění relevantních dat a akcí pro agenty založené na LLM a externí systémy.

Seznam promptů

Žádné šablony promptů nejsou v repozitáři zmíněny.

Seznam zdrojů

V repozitáři ani dokumentaci nejsou uvedeny žádné explicitní zdroje.

Seznam nástrojů

• send_p2p_msg / send_team_msg
  Odesílání individuálních nebo skupinových zpráv na základě účtů odesílatele/příjemce nebo ID skupiny. Vhodné pro automatizaci provozních či notifikačních zpráv.
• query_p2p_msg_history / query_team_msg_history
  Dotazování historie individuálních nebo skupinových chatů v časovém rozmezí, podporuje provozní i analytické workflowy.
• query_application_im_daily_stats
  Získávání denních statistik IM aplikace, například aktivní uživatelé, objemy zpráv, úložiště a metriky callbacků.
• query_rtc_room_members / query_rtc_room_members_by_uids
  Získání detailů členů RTC místnosti včetně délky připojení, lokace, ISP a informací o zařízení.
• query_rtc_room_stuck_rate / query_rtc_room_user_stuck_rate
  Přístup k metrikám záseků zvuku/videa na úrovni místnosti nebo uživatele pro monitorování kvality služeb.
• query_rtc_room_top_20
  Výpis 20 nejlepších RTC místností podle metrik jako aktivní uživatelé, latence připojení, míra záseků a síťová zpoždění.

Příklady použití tohoto MCP serveru

• Automatizace zasílání zpráv
  Automatizujte odesílání provozních IM zpráv jednotlivcům nebo skupinám a zlepšete tak dosažitelnost a zapojení.
• Analýza historických dat
  Získávejte a analyzujte historii chatů pro účely compliance, zákaznické podpory či provozního přehledu.
• Monitorování zdraví aplikace
  Sledujte denní statistiky aplikace, odhalujte anomálie, sledujte aktivitu uživatelů a zajišťujte spolehlivost služeb.
• Monitorování kvality RTC
  Sledujte metriky RTC na úrovni místnosti i uživatele, abyste mohli včas identifikovat a řešit problémy s kvalitou.
• Analytika a reporty místností
  Agregujte a analyzujte nejvýkonnější RTC místnosti, optimalizujte infrastrukturu a zlepšujte uživatelskou zkušenost.

Jak nastavit MCP server

Windsurf

1. Ujistěte se, že je nainstalován Python a potřebné závislosti.
2. Najděte konfigurační soubor Windsurf (například .windsurf/config.json).
3. Přidejte yunxin MCP server do sekce mcpServers s odpovídajícím příkazem a argumenty.
4. Uložte soubor a restartujte Windsurf.
5. Ověřte, že se yunxin MCP server objevil v rozhraní.

{
  "mcpServers": {
    "yunxin-mcp": {
      "command": "yunxin-mcp-server",
      "args": []
    }
  }
}

Claude

1. Nainstalujte Python a závislosti pro yunxin-mcp-server.
2. Najděte konfigurační soubor MCP serveru Claude.
3. Vložte následující JSON úryvek do MCP konfigurace.
4. Uložte a restartujte Claude.
5. Ověřte funkčnost yunxin-mcp-serveru.

{
  "mcpServers": {
    "yunxin-mcp": {
      "command": "yunxin-mcp-server",
      "args": []
    }
  }
}

Cursor

1. Ujistěte se, že je nainstalován Python a závislosti.
2. Otevřete nastavení nebo konfigurační soubor Cursoru.
3. Přidejte yunxin MCP server do sekce mcpServers.
4. Uložte změny a restartujte Cursor.
5. Ověřte integraci yunxin MCP.

{
  "mcpServers": {
    "yunxin-mcp": {
      "command": "yunxin-mcp-server",
      "args": []
    }
  }
}

Cline

1. Nainstalujte Python a závislosti pro yunxin-mcp-server.
2. Získejte přístup ke konfiguračnímu souboru Cline.
3. Zaregistrujte yunxin MCP server pomocí následujícího JSONu.
4. Uložte a restartujte Cline.
5. Ověřte, že je server aktivní.

{
  "mcpServers": {
    "yunxin-mcp": {
      "command": "yunxin-mcp-server",
      "args": []
    }
  }
}

Zabezpečení API klíčů:
Pro ochranu citlivých údajů použijte proměnné prostředí. Příklad s env a inputs:

{
  "mcpServers": {
    "yunxin-mcp": {
      "command": "yunxin-mcp-server",
      "args": [],
      "env": {
        "YUNXIN_API_KEY": "${YUNXIN_API_KEY}"
      },
      "inputs": {
        "api_key": "${YUNXIN_API_KEY}"
      }
    }
  }
}

Jak použít tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do workflowu ve FlowHunt začněte přidáním MCP komponenty do vašeho flow a napojením na AI agenta:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte detaily vašeho MCP serveru v tomto JSON formátu:

{
  "yunxin-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci bude AI agent schopen použít tento MCP jako nástroj se všemi jeho funkcemi a schopnostmi. Nezapomeňte změnit “yunxin-mcp” na skutečný název vašeho MCP serveru a URL nahradit vaší vlastní adresou MCP serveru.

Přehled

Tento MCP server bych ohodnotil 6/10. Nabízí jasná API nástrojů a instrukce pro nastavení, ale postrádá šablony promptů, definice zdrojů a explicitní podporu pokročilých MCP funkcí (kořenové uzly, sampling).

MCP skóre