Yunxin MCP Server

O que faz o servidor MCP “yunxin”?

O yunxin MCP (Model Context Protocol) Server foi projetado para conectar assistentes de IA aos serviços de IM (Mensagens Instantâneas) e RTC (Comunicação em Tempo Real) do NetEase Yunxin. Expondo um conjunto de ferramentas que facilitam o acesso a dados de mensagens e comunicação em tempo real, o yunxin-mcp-server habilita fluxos de trabalho impulsionados por IA para tarefas como consulta de históricos de chat, gerenciamento de comunicações em grupo, monitoramento de métricas de qualidade RTC e agregação de estatísticas de aplicativos. Essa integração capacita desenvolvedores e operadores a automatizar operações, analisar tendências de mensagens, monitorar a saúde do RTC e aprimorar experiências do usuário tornando dados e ações relevantes acessíveis a agentes baseados em LLM e sistemas externos.

Lista de Prompts

Nenhum template de prompt é mencionado no repositório.

Lista de Recursos

Nenhum recurso explícito está listado no repositório ou documentação.

Lista de Ferramentas

• send_p2p_msg / send_team_msg
  Envie mensagens individuais ou em grupo, informando as contas de remetente/destinatário ou IDs de grupo. Útil para automação de mensagens operacionais ou de notificação.
• query_p2p_msg_history / query_team_msg_history
  Consulte históricos de chat individuais ou em grupo dentro de um intervalo de tempo, apoiando operações e fluxos analíticos.
• query_application_im_daily_stats
  Recupere estatísticas diárias do aplicativo IM, como usuários ativos diários, volume de mensagens, armazenamento e métricas de callback.
• query_rtc_room_members / query_rtc_room_members_by_uids
  Busque detalhes de membros de uma sala RTC, incluindo duração online, localização, ISP e informações do dispositivo.
• query_rtc_room_stuck_rate / query_rtc_room_user_stuck_rate
  Acesse métricas de taxa de travamento de áudio/vídeo em granularidade de sala ou usuário para monitoramento da qualidade do serviço.
• query_rtc_room_top_20
  Liste as 20 principais salas RTC por métricas como usuários ativos, latência de entrada, taxas de travamento de áudio/vídeo e atrasos de rede.

Casos de Uso deste MCP Server

• Operações de Mensagens Automatizadas
  Automatize o envio de mensagens IM operacionais para indivíduos ou grupos, melhorando o alcance e o engajamento.
• Análise de Dados Históricos
  Recupere e analise históricos de chat para conformidade, suporte ao cliente ou insights operacionais.
• Monitoramento de Saúde de Aplicativos
  Monitore estatísticas diárias do aplicativo para detectar anomalias, acompanhar a atividade de usuários e garantir a confiabilidade do serviço.
• Monitoramento de Qualidade RTC
  Acompanhe métricas RTC em nível de sala e usuário para identificar e resolver problemas de qualidade de forma proativa.
• Análises e Relatórios de Salas
  Agregue e analise as salas RTC de melhor desempenho para otimizar a infraestrutura e aprimorar a experiência do usuário.

Como configurar

Windsurf

1. Certifique-se de que o Python e as dependências necessárias estão instalados.
2. Localize o arquivo de configuração do Windsurf (por exemplo, .windsurf/config.json).
3. Adicione o MCP server yunxin na seção mcpServers com o comando e argumentos apropriados.
4. Salve o arquivo e reinicie o Windsurf.
5. Verifique se o yunxin MCP server aparece na interface.

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

Claude

1. Instale o Python e as dependências para o yunxin-mcp-server.
2. Encontre o arquivo de configuração do MCP server do Claude.
3. Insira o trecho JSON abaixo na configuração MCP.
4. Salve e reinicie o Claude.
5. Confirme o funcionamento do yunxin-mcp-server.

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

Cursor

1. Certifique-se de que o Python e as dependências estão instalados.
2. Abra as configurações ou o arquivo de configuração do Cursor.
3. Adicione o MCP server yunxin na seção mcpServers.
4. Salve as alterações e reinicie o Cursor.
5. Verifique a integração do yunxin MCP.

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

Cline

1. Instale o Python e as dependências do yunxin-mcp-server.
2. Acesse o arquivo de configuração do Cline.
3. Registre o MCP server yunxin com o seguinte JSON.
4. Salve e reinicie o Cline.
5. Valide se o servidor está ativo.

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

Protegendo Chaves de API:
Utilize variáveis de ambiente para proteger credenciais sensíveis. Exemplo usando env e inputs:

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

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP ao seu fluxo do FlowHunt, comece adicionando o componente MCP ao fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

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

Uma vez configurado, o agente de IA poderá usar este MCP como uma ferramenta, com acesso a todas as suas funções e capacidades. Lembre-se de alterar “yunxin-mcp” para o nome real do seu MCP server e substituir a URL pela URL do seu próprio servidor MCP.

Visão Geral

Eu avaliaria este MCP server como 6/10. Ele fornece APIs de ferramentas claras e instruções de configuração, mas falta templates de prompt, definições de recursos e suporte explícito a recursos avançados de MCP (roots, sampling).

Pontuação MCP