Serveur MCP Yunxin

Que fait le serveur MCP “yunxin” ?

Le serveur MCP yunxin (Model Context Protocol) est conçu pour faire le lien entre les assistants IA et les services IM (messagerie instantanée) et RTC (communication en temps réel) de NetEase Yunxin. En exposant un ensemble d’outils facilitant l’accès aux données de messagerie et de communication en temps réel, yunxin-mcp-server permet des workflows pilotés par l’IA pour des tâches telles que l’interrogation de l’historique des discussions, la gestion de communications de groupe, la surveillance des métriques de qualité RTC et l’agrégation de statistiques applicatives. Cette intégration permet aux développeurs et opérateurs d’automatiser des opérations, d’analyser les tendances de messagerie, de suivre la santé RTC et d’améliorer l’expérience utilisateur en rendant les données et actions pertinentes accessibles aux agents LLM et aux systèmes externes.

Liste des prompts

Aucun modèle de prompt n’est mentionné dans le dépôt.

Liste des ressources

Aucune ressource explicite n’est listée dans le dépôt ou la documentation.

Liste des outils

• send_p2p_msg / send_team_msg
  Envoyez des messages de chat individuels ou de groupe, en indiquant les comptes expéditeur/récepteur ou les identifiants de groupe. Utile pour automatiser les messages opérationnels ou de notification.
• query_p2p_msg_history / query_team_msg_history
  Interrogez les historiques de discussions individuelles ou de groupe sur une période donnée, pour des opérations ou des analyses.
• query_application_im_daily_stats
  Récupérez les statistiques quotidiennes de l’application IM telles que les utilisateurs actifs quotidiens, les volumes de messages, le stockage et les métriques de callback.
• query_rtc_room_members / query_rtc_room_members_by_uids
  Récupérez les détails des membres d’un salon RTC, y compris la durée de connexion, la localisation, le FAI et les informations sur l’appareil.
• query_rtc_room_stuck_rate / query_rtc_room_user_stuck_rate
  Accédez aux métriques de taux de saccades audio/vidéo au niveau du salon ou de l’utilisateur pour surveiller la qualité du service.
• query_rtc_room_top_20
  Listez les 20 salons RTC les plus actifs selon des métriques telles que les utilisateurs actifs, la latence de connexion, les taux de saccades audio/vidéo et les délais réseau.

Cas d’usage de ce serveur MCP

• Opérations de messagerie automatisées
  Automatisez l’envoi de messages IM opérationnels à des individus ou des groupes pour améliorer la portée et l’engagement.
• Analyse de données historiques
  Récupérez et analysez les historiques de discussions à des fins de conformité, de support client ou d’analyse opérationnelle.
• Surveillance de la santé applicative
  Surveillez les statistiques quotidiennes de l’application pour détecter des anomalies, suivre l’activité des utilisateurs et garantir la fiabilité du service.
• Surveillance de la qualité RTC
  Suivez les métriques RTC au niveau des salons et des utilisateurs pour identifier et résoudre de manière proactive les problèmes de qualité.
• Analytique et reporting des salons
  Agrégez et analysez les salons RTC les plus performants pour optimiser l’infrastructure et améliorer l’expérience utilisateur.

Comment le configurer

Windsurf

1. Assurez-vous que Python et les dépendances nécessaires sont installés.
2. Localisez le fichier de configuration de Windsurf (par exemple, .windsurf/config.json).
3. Ajoutez le serveur MCP yunxin dans la section mcpServers avec la commande et les arguments appropriés.
4. Enregistrez le fichier et redémarrez Windsurf.
5. Vérifiez que le serveur MCP yunxin apparaît dans l’interface.

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

Claude

1. Installez Python et les dépendances pour yunxin-mcp-server.
2. Trouvez le fichier de configuration du serveur MCP de Claude.
3. Insérez l’extrait JSON suivant dans la configuration MCP.
4. Enregistrez et redémarrez Claude.
5. Confirmez le bon fonctionnement de yunxin-mcp-server.

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

Cursor

1. Assurez-vous que Python et les dépendances sont installés.
2. Ouvrez les paramètres ou le fichier de configuration de Cursor.
3. Ajoutez le serveur MCP yunxin dans la section mcpServers.
4. Enregistrez les modifications et redémarrez Cursor.
5. Vérifiez l’intégration du serveur MCP yunxin.

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

Cline

1. Installez Python et les dépendances de yunxin-mcp-server.
2. Accédez au fichier de configuration de Cline.
3. Enregistrez le serveur MCP yunxin avec le JSON suivant.
4. Enregistrez et redémarrez Cline.
5. Validez que le serveur est actif.

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

Sécurisation des clés API :
Utilisez des variables d’environnement pour protéger les identifiants sensibles. Exemple avec env et inputs :

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

Comment utiliser ce MCP dans les flows

Utiliser MCP dans FlowHunt

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

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration système MCP, insérez les informations de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA peut utiliser ce MCP comme un outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “yunxin-mcp” par le nom réel de votre serveur MCP et de mettre à jour l’URL avec celle de votre propre serveur MCP.

Vue d’ensemble

J’évaluerais ce serveur MCP à 6/10. Il propose des API claires pour les outils et des instructions de configuration, mais il manque des modèles de prompt, des définitions de ressources et un support explicite pour des fonctionnalités MCP avancées (racines, sampling).

Score MCP