Serveur CFBD MCP

Que fait le serveur « CFBD » MCP ?

Le serveur CFBD MCP (Model Context Protocol) est un outil qui connecte les assistants et applications IA à l’API College Football Data, offrant un accès avancé aux statistiques et analyses du football universitaire. En faisant le pont entre les modèles IA et cette source de données riche, CFBD MCP permet d’interroger les résultats de matchs, bilans d’équipes, statistiques de joueurs, données play-by-play, classements, probabilités de victoire, et plus encore. Cette capacité améliore les workflows de développement pour l’analyse sportive, la génération de contenu et la recherche, en permettant aux agents IA de récupérer et analyser en temps réel ou en différé des données de football universitaire, de façon programmatique ou en langage naturel. Le serveur est conçu pour une intégration fluide avec des plateformes comme Claude Desktop, permettant des insights et automatisations pilotés par IA autour des données de football universitaire.

Liste des prompts

Aucun modèle de prompt spécifique n’est listé dans la documentation ou le code disponible. Si le serveur expose des modèles de prompt standardisés ou des workflows, ils ne sont pas documentés dans le dépôt.

Liste des ressources

Aucune ressource explicite n’est décrite dans la documentation ou le code. Le serveur donne accès aux statistiques du football universitaire via l’API CFBD, mais les primitives de ressources MCP ne sont pas détaillées.

Liste des outils

Aucune liste d’outils explicite n’est fournie dans la documentation ou la structure du code visible. Le dépôt indique que le serveur permet des « requêtes API CFBD », ce qui correspond probablement à des outils pour récupérer des statistiques, données de matchs, stats de joueurs, etc., mais ceux-ci ne sont pas énumérés.

Cas d’usage de ce serveur MCP

• Analyse du football universitaire
  Les développeurs et analystes peuvent utiliser le serveur MCP pour interroger des statistiques complètes, analyser la performance d’équipes et de joueurs, et effectuer des requêtes personnalisées pour la recherche ou la création de contenu.
• Résultats de matchs et détection de surprises
  Générer des insights ou des rapports sur les surprises historiques, classements ou résultats de rencontres grâce à des données play-by-play détaillées et des probabilités de victoire.
• Génération de contenu sportif assistée par IA
  Intégrez le serveur dans des outils de rédaction IA pour générer automatiquement des résumés, avant-matchs ou comptes-rendus à partir de données en direct ou historiques.
• Comparaison d’équipes et de joueurs
  Permettez aux modèles IA de comparer des équipes ou joueurs entre saisons, en utilisant des métriques avancées pour le recrutement ou l’engagement des fans.
• Intégration avec des assistants IA
  Améliorez une IA conversationnelle (ex : Claude Desktop) pour répondre à des requêtes en langage naturel sur le football universitaire, y compris plannings, bilans et statistiques avancées.

Comment l’installer

Windsurf

1. Assurez-vous que Python 3.11+ et le gestionnaire de paquets UV sont installés.
2. Clonez le dépôt :

   git clone https://github.com/lenwood/cfbd-mcp-server
   cd cfbd-mcp-server
   

3. Créez un environnement virtuel et installez les dépendances :

   uv venv
   source .venv/bin/activate
   uv pip install -e .
   

4. Créez un fichier .env avec votre clé API :

   CFB_API_KEY=your_api_key_here
   

5. Configurez Windsurf pour inclure le serveur CFBD MCP :

   {
     "mcpServers": {
       "cfbd": {
         "command": "python",
         "args": ["-m", "cfbd_mcp_server"],
         "env": {
           "CFB_API_KEY": "your_api_key_here"
         }
       }
     }
   }
   

6. Sauvegardez et redémarrez Windsurf. Vérifiez via une requête de test.

Claude

1. Installez comme ci-dessus, en vérifiant que Python 3.11+ et UV sont présents.
2. Ajoutez le serveur à la configuration de Claude Desktop (ex : via claude_desktop_config.json) :

   {
     "mcpServers": {
       "cfbd": {
         "command": "python",
         "args": ["-m", "cfbd_mcp_server"],
         "env": {
           "CFB_API_KEY": "your_api_key_here"
         }
       }
     }
   }
   

3. Redémarrez Claude Desktop et vérifiez la connexion.

Cursor

1. Clonez le dépôt et configurez comme ci-dessus.
2. Dans la configuration MCP de Cursor, ajoutez :

   {
     "mcpServers": {
       "cfbd": {
         "command": "python",
         "args": ["-m", "cfbd_mcp_server"],
         "env": {
           "CFB_API_KEY": "your_api_key_here"
         }
       }
     }
   }
   

3. Sauvegardez et redémarrez Cursor. Testez avec une requête.

Cline

1. Suivez les étapes d’installation pour Python, UV et les dépendances.
2. Dans les paramètres de Cline, ajoutez le serveur CFBD MCP :

   {
     "mcpServers": {
       "cfbd": {
         "command": "python",
         "args": ["-m", "cfbd_mcp_server"],
         "env": {
           "CFB_API_KEY": "your_api_key_here"
         }
       }
     }
   }
   

3. Redémarrez Cline et vérifiez la connectivité.

Remarque sur la sécurité des clés API :
Stockez toujours votre clé API dans des variables d’environnement, et non directement dans le code ou des fichiers suivis par git. Dans la configuration du serveur MCP, utilisez le champ env comme ci-dessus pour injecter votre clé en toute sécurité.

Utiliser ce MCP dans les flows

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP dans votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et en le connectant à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration système MCP, insérez les détails de votre serveur MCP avec ce format JSON :

{
  "cfbd": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil et accéder à toutes ses fonctions et capacités. Pensez à remplacer “cfbd” par le vrai nom de votre serveur MCP et à indiquer l’URL de votre propre serveur MCP.

Vue d’ensemble

Notre avis

Ce serveur MCP est clairement utile pour l’automatisation et l’analyse des données du football universitaire, et la documentation d’installation/intégration est bonne. Cependant, il manque des informations sur les modèles de prompts réutilisables, les primitives de ressources MCP et le manifeste d’outils, qui sont importants pour la compatibilité avec l’écosystème MCP et l’expérience développeur. Pour les besoins liés aux données sportives, c’est une bonne option, mais de meilleures pratiques MCP pourraient être abordées.

Score MCP

Je donnerais à ce serveur MCP une note globale de 5/10 : il remplit sa mission et est open source, mais il manque de documentation MCP essentielle ainsi que de définitions de prompts, ressources et outils explicites. Pour l’analyse sportive, il est plutôt bon, mais pour un usage MCP plus général, plus de détails seraient nécessaires.