Yunxin MCP-server

Vad gör “yunxin” MCP-servern?

Yunxin MCP (Model Context Protocol) Server är utformad för att koppla AI-assistenter till NetEase Yunxins IM- (Instant Messaging) och RTC- (Real-Time Communication) tjänster. Genom att exponera en uppsättning verktyg som möjliggör åtkomst till meddelande- och realtidskommunikationsdata, möjliggör yunxin-mcp-servern AI-drivna arbetsflöden för uppgifter som att hämta chatthistorik, hantera gruppkommunikation, övervaka RTC-kvalitetsmått och samla applikationsstatistik. Denna integrering ger utvecklare och operatörer möjlighet att automatisera drift, analysera meddelandetrender, övervaka RTC-hälsa och förbättra användarupplevelser genom att göra relevant data och åtgärder tillgängliga för LLM-baserade agenter och externa system.

Lista över promptar

Inga promptmallar nämns i arkivet.

Lista över resurser

Inga explicita resurser listas i arkivet eller dokumentationen.

Lista över verktyg

• send_p2p_msg / send_team_msg
  Skicka individuella eller gruppmeddelanden, givet avsändar-/mottagarkonton eller grupp-ID. Användbart för att automatisera drift- eller notifikationsmeddelanden.
• query_p2p_msg_history / query_team_msg_history
  Hämta individuell eller gruppchatt-historik inom ett tidsintervall, stöder drift och analytiska arbetsflöden.
• query_application_im_daily_stats
  Hämta daglig IM-applikationsstatistik såsom dagliga aktiva användare, meddelandevolymer, lagring och callback-mått.
• query_rtc_room_members / query_rtc_room_members_by_uids
  Hämta detaljer om RTC-rumsmedlemmar, inklusive onlinetid, plats, ISP och enhetsinformation.
• query_rtc_room_stuck_rate / query_rtc_room_user_stuck_rate
  Få tillgång till ljud-/videostutterfrekvens på rums- eller användarnivå för övervakning av tjänstekvalitet.
• query_rtc_room_top_20
  Lista topp 20 RTC-rum efter mått som aktiva användare, anslutningslatens, ljud-/videostutter och nätverksfördröjningar.

Användningsområden för denna MCP-server

• Automatiserade meddelandeoperationer
  Automatisera utskick av IM-driftmeddelanden till individer eller grupper för att förbättra räckvidd och engagemang.
• Analys av historisk data
  Hämta och analysera chatthistorik för regelefterlevnad, kundsupport eller verksamhetsinsikt.
• Applikationshälsomonitorering
  Övervaka daglig applikationsstatistik för att upptäcka avvikelser, följa användaraktivitet och säkerställa driftsäkerhet.
• RTC-kvalitetsövervakning
  Spåra rum- och användarnivåns RTC-mått för att proaktivt identifiera och åtgärda kvalitetsproblem.
• Rumsanalys och rapportering
  Sammanställa och analysera toppresterande RTC-rum för att optimera infrastruktur och förbättra användarupplevelsen.

Hur man sätter upp det

Windsurf

1. Se till att Python och nödvändiga beroenden är installerade.
2. Lokalisera Windsurfs konfigurationsfil (t.ex. .windsurf/config.json).
3. Lägg till yunxin MCP-server i avsnittet mcpServers med lämpligt kommando och argument.
4. Spara filen och starta om Windsurf.
5. Kontrollera att yunxin MCP-server visas i gränssnittet.

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

Claude

1. Installera Python och beroenden för yunxin-mcp-server.
2. Hitta Claudes MCP-serverkonfigurationsfil.
3. Klistra in följande JSON-kodsnutt i MCP-konfigurationen.
4. Spara och starta om Claude.
5. Bekräfta att yunxin-mcp-servern fungerar.

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

Cursor

1. Se till att Python och beroenden är installerade.
2. Öppna Cursors inställningar eller konfigurationsfil.
3. Lägg till yunxin MCP-server i avsnittet mcpServers.
4. Spara ändringar och starta om Cursor.
5. Kontrollera integrering av yunxin MCP-server.

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

Cline

1. Installera Python och beroenden för yunxin-mcp-server.
2. Öppna Clines konfigurationsfil.
3. Registrera yunxin MCP-server med följande JSON.
4. Spara och starta om Cline.
5. Validera att servern är aktiv.

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

Skydda API-nycklar:
Använd miljövariabler för att skydda känsliga uppgifter. Exempel med env och inputs:

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

Hur man använder denna MCP i flöden

Att använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I avsnittet för systemets MCP-konfiguration, lägg in dina MCP-serverdetaljer med detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att ändra “yunxin-mcp” till det faktiska namnet på din MCP-server och att ersätta URL:en med din egen MCP-server-URL.

Översikt

Jag skulle ge denna MCP-server 6/10. Den tillhandahåller tydliga API:er för verktyg och installationsinstruktioner, men saknar promptmallar, resursdefinitioner och explicit stöd för avancerade MCP-funktioner (roots, sampling).

MCP-betyg