Servidor Yunxin MCP

¿Qué hace el servidor “yunxin” MCP?

El servidor yunxin MCP (Model Context Protocol) está diseñado para conectar asistentes de IA con los servicios de IM (mensajería instantánea) y RTC (comunicación en tiempo real) de NetEase Yunxin. Al exponer un conjunto de herramientas que facilitan el acceso a datos de mensajería y comunicación en tiempo real, yunxin-mcp-server habilita flujos de trabajo impulsados por IA para tareas como consulta de historiales de chat, gestión de comunicaciones grupales, monitoreo de métricas de calidad RTC y agregación de estadísticas de aplicaciones. Esta integración permite a desarrolladores y operadores automatizar operaciones, analizar tendencias de mensajería, monitorear la salud de RTC y mejorar la experiencia del usuario al hacer accesibles datos y acciones relevantes para agentes basados en LLM y sistemas externos.

Lista de Prompts

No se mencionan plantillas de prompts en el repositorio.

Lista de Recursos

No se listan recursos explícitos en el repositorio o la documentación.

Lista de Herramientas

• send_p2p_msg / send_team_msg
  Envía mensajes de chat individuales o grupales, dados los cuentas de remitente/receptor o IDs de grupo. Útil para automatizar mensajes operativos o de notificación.
• query_p2p_msg_history / query_team_msg_history
  Consulta historiales de chat individuales o grupales dentro de un rango de tiempo, apoyando operaciones y flujos de trabajo analíticos.
• query_application_im_daily_stats
  Recupera estadísticas diarias de la aplicación IM como usuarios activos diarios, volúmenes de mensajes, almacenamiento y métricas de callback.
• query_rtc_room_members / query_rtc_room_members_by_uids
  Obtiene detalles de los miembros de una sala RTC, incluyendo duración en línea, ubicación, ISP e información de dispositivo.
• query_rtc_room_stuck_rate / query_rtc_room_user_stuck_rate
  Accede a métricas de tasa de congelamiento de audio/video a nivel de sala o usuario para monitorear la calidad del servicio.
• query_rtc_room_top_20
  Lista las 20 principales salas RTC por métricas como usuarios activos, latencia de ingreso, tasas de congelamiento de audio/video y retrasos de red.

Casos de Uso de este Servidor MCP

• Operaciones de Mensajería Automatizada
  Automatiza el envío de mensajes operativos IM a individuos o grupos, mejorando el alcance y la participación.
• Análisis de Datos Históricos
  Recupera y analiza historiales de chat para cumplimiento, soporte al cliente o conocimientos operativos.
• Monitoreo de Salud de Aplicaciones
  Monitorea estadísticas diarias de la aplicación para detectar anomalías, rastrear la actividad de usuarios y asegurar la confiabilidad del servicio.
• Monitoreo de Calidad RTC
  Rastrear métricas RTC a nivel de sala y usuario para identificar y abordar problemas de calidad de manera proactiva.
• Analítica de Salas e Informes
  Agrega y analiza las salas RTC de mejor rendimiento para optimizar la infraestructura y mejorar la experiencia del usuario.

Cómo configurarlo

Windsurf

1. Asegúrate de que Python y las dependencias requeridas estén instaladas.
2. Localiza el archivo de configuración de Windsurf (por ejemplo, .windsurf/config.json).
3. Agrega el servidor yunxin MCP en la sección mcpServers con el comando y argumentos apropiados.
4. Guarda el archivo y reinicia Windsurf.
5. Verifica que el servidor yunxin MCP aparezca en la interfaz.

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

Claude

1. Instala Python y las dependencias para yunxin-mcp-server.
2. Encuentra el archivo de configuración MCP de Claude.
3. Inserta el siguiente fragmento JSON en la configuración MCP.
4. Guarda y reinicia Claude.
5. Confirma el funcionamiento de yunxin-mcp-server.

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

Cursor

1. Asegúrate de que Python y las dependencias estén instaladas.
2. Abre la configuración o el archivo de configuración de Cursor.
3. Agrega el servidor yunxin MCP a la sección mcpServers.
4. Guarda los cambios y reinicia Cursor.
5. Verifica la integración del MCP yunxin.

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

Cline

1. Instala Python y las dependencias de yunxin-mcp-server.
2. Accede al archivo de configuración de Cline.
3. Registra el servidor yunxin MCP con el siguiente JSON.
4. Guarda y reinicia Cline.
5. Valida que el servidor esté activo.

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

Protección de claves API:
Utiliza variables de entorno para proteger credenciales sensibles. Ejemplo con env e inputs:

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

Cómo usar este MCP en los flujos

Uso del MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración del sistema MCP, inserta los detalles de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá usar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “yunxin-mcp” por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Calificaría este servidor MCP con un 6/10. Proporciona APIs de herramientas claras e instrucciones de configuración, pero carece de plantillas de prompts, definiciones de recursos y soporte explícito para funciones MCP avanzadas (roots, muestreo).

Puntuación MCP