سرور MCP با ۱۳۲ ابزار ساختم تا Claude عوامل Cognigy.AI را مدیریت کند

اصل ماجرا

یک سرور محلی MCP با ۱۳۲ ابزار برای دسترسی برنامه‌نویسی به API مدیریت Cognigy.AI ساخته شد. این ابزارها امکان ایجاد، ویرایش و تست جریان‌ها، نیت‌ها و سایر تنظیمات را به صورت برنامه‌نویسی و با حالت dry‑run پیش‌فرض می‌دهند. توسعه‌دهندگان می‌توانند با گفتن دستورات ساده به Claude یا Cursor، کارهای پیچیده را بدون کلیک انجام دهند.

متن کامل ترجمه‌شده

من زمان زیادی برای ساخت آژانس های AI گفتگو در Cognigy.AI صرف کرده ام - بوت های صوتی شرکت، جریان های چند زبان، آموزش NLU، کار در حالی که در Deloitte کار می کنند. این یک پلت فرم قدرتمند است. همچنین بسیاری از کلیک ها است. ایجاد جریان، edit node باز، تنظیم نوید، آموزش قصد، ایجاد snapshot، ارتقاء به محیط بعدی … و در حال حاضر ما در یک جهان زندگی می کنیم که کمک کننده رمزنگاری من می تواند برنامه های کل را بنویسد، اما نمی تواند هیچ یک از آن را لمس. بنابراین من آن را اصلاح کردم. cognigy-ai-mcp-management-server یک سرور محلی MCP (نموده پروتکل کنونی) می دهد که کمک کنندگان AI مانند Claude، Claude Code، و Cursormatic دسترسی به API مدیریت Cognigy.AI. 132به جای کلیک کردن از طریق UI، شما اکنون می توانید به کمک کننده خود چیزهایی مانند: - “آفرینش یک قصد جدید برای حذف سفارش با این جملات نمونه، سپس NLU را بازسازی کنید” - “آفرینش بازیگر آزمایش رجوع و خلاصه آنچه شکسته شده است” - “آفرینش را در حال حاضر در مقابل تولید و به من بگویید که چه تغییری دارد” - “به هر جریان که از این اتصال کاهش یافته استفاده می کند پیدا کنید” آنچه در جعبه است 132 ابزار در اصل تمام سطح مدیریت را گسترش می دهد: جریان ها و نوارها (مطالعه کامل CRUD و تولید محصول AI)، قصد ها و آموزش NLU، بازیگران و آزمایش رجوع، عکس ها و بسته ها (آفرینش، diff، تبلیغ در سراسر محیط)، دانش AI / RAG فروشگاه (21 ابزار فقط برای آن)، تنظیمات ارائه دهنده LLMتصمیمات طراحی من در یک بررسی کد دفاع می کنم ساختن یک سرور MCP که می تواند آژانس های گفتگویی AI تولیدی را تغییر دهد، شما را مجبور می کند در مورد امنیت به گونه ای متفاوت از یک انضباط تنها خواندن فکر کنید. چند انتخاب من انجام دادم: 1. dryRun: درست به طور پیش فرض در هر ابزار تغییر می کند. یک LLM با دسترسی نوشتن به آژانس های تولید خود را یک زنجیره است. هر ابزار که ایجاد می کند، به روز رسانی یا حذف هر چیزی به صورت پیش فرض به یک اجرا خشک - کمک کننده دقیقا می بیند چه اتفاقی می افتد و باید به طور صریح پرچم را به اجرا برگرداند. مسیر نابود کننده نیاز به قصد، نه فقط یک تماس ابزار هالوئنین شده است. 2. رازها هرگز به مدل نمی رسند. کلید های API تنها در تغییرات محیطی و حافظه زندگی می کنندابزارها وضعیت وظیفه را تا پایان به جای بازگرداندن یک شناسه وظیفه و ترک LLM به گمان، که از فرآیند کار چند مرحله از desyncing خاموش نگه می دارد. 4. تصدیق Zod در هر واردات. LLMs به طور عمده arguments ابزار درست تولید می کند. “به طور عمده” در این جمله کار سنگین بالا را انجام می دهد. هر ابزار واردات خود را با طرح های Zod قبل از هر چیزی بر روی API تصدیق می کند. 5. بستگی از همکاران به جای جمع آوری. مشتری REST رسمی Cognigy تحت یک مجوز خصوصی منتشر می شود، بنابراین این سرور آن را به عنوان یک بستگی از همکاران اعلام می کند به جای جمع کردن آن. شما آن را خودتان نصب می کنید و شرایط Cognigy را به طور مستقیم قبول می کنید. مجوز MIT من فقط کد من را پوشش میکشتی های repo با یک سرور Prism mock تولید شده از spec OpenAPI: # Terminal 1 npm run mock # Terminal 2 npm test # 49 تست ها در برابر انواع mock TypeScript نیز از spec OpenAPI (npm run gen:types) تولید می شود، بنابراین هنگامی که Cognigy اپلیکیشن های API خود را به روز رسانی می کند، نوع های regenerating سطح در زمان کامپیوتری به جای در زمان اجرا در خریدار تولید کسی را اجرا می کند. شروع npm install @cognigy/rest-api-client # official Cognigy SDK، licences npm install -g cognigy-ai-mcp-management-server سپس MCP خود را به آن نشان می دهد - برای Claude Code، این سقوط در .mcp.js: ” {mcpServers {: “cدر نیمه پروژه، من متوجه شدم که NiCE ( شرکت مادری Cognigy) سرور رسمی MCP را فرستاده بود. آیا من فکر می کردم که من را ترک کنم؟ برای حدود یک ساعت. سپس من ادامه دادم، زیرا (a) من مقدار زیادی در مورد سطح API مدیریت را با نقشه سازی همه آن را یاد می گرفتم، و (b) یک اجرای مستقل، مجوز شده توسط MIT، تست قابل آزمایش با سیمانیک dryRun-by-default یک فاکتور متفاوت از یک رسمی است. اگر سرور رسمی به نیاز شما مناسب تر است - از آن استفاده کنید! این یک وجود دارد، باز است، و کد دقیقا نشان می دهد که چگونه یک API کسب و کار بزرگ را به ابزار LLM ایمن بسته کنید. که تنها آن را ارزش حمل و نقل را نشان می دهد. (مجازات استاندارد: این یک پروژه مستقل است، که توسط Cognigy یا NiCEو اگر شما در حال ساخت سرورهای MCP برای دیگر پلتفرم های کسب و کار هستید، مدل های dryRun + redaction + async-polling در اینجا قابل حمل هستند؛ آنها را سرقت کنید. نظرات بالا (1) رویکرد dry-run-first دقیقا مدل مناسب برای ارائه دسترسی به ابزار عامل ها است - قصد آشکار قبل از اقدام. من این را از زاویه مخالف فکر می کنم: عامل هایی که بیش از حد علاقه مند به استفاده از ابزارهای هنگامی که آنها باید فکر می کنند هستند. ساختار Brainstorm-Mode (mehmetcanfarsak در GitHub) که اضافه می کند PreToolUse هاک برای بلاک کردن تماس های ابزار در طول مراحل ایده سازی. سه حالت (دورانده، قابل عمل، دانشگاهی) باعث می شود که عامل به طور مستقیم به اجرای برسد. این رویکرد خشک شما است - به جای

چرا مهمه؟

Cognigy.AI قبلاً فقط از طریق رابط گرافیکی قابل مدیریت بود؛ حالا با این سرور می‌توان عملیات‌های مدیریتی را به صورت کد و از طریق هوش مصنوعی انجام داد. تیم‌های توسعه، معماران راه‌حل و شرکای پیاده‌سازی تحت تأثیر قرار می‌گیرند چون زمان ساخت و تست ربات‌ها را به‌طور چشمگیری کاهش می‌دهد. خواننده باید این خبر را جدی بگیرد چون روش جدید، ایمنی بهتر (dry‑run پیش‌فرض) و قابلیت تست خودکار را به ارمغان می‌آورد.

به درد کی می‌خوره؟

• توسعه‌دهندگان ربات‌های مکالمه • معماران راه‌حل‌های AI • تیم‌های DevOps و اتوماسیون • شرکای پیاده‌سازی Cognigy

تو عمل چی کار کنیم؟

با نصب این سرور می‌توانید دستورات ساده‌ای مثل «ایجاد نیت لغو سفارش و آموزش NLU» را به هوش مصنوعی بدهید و خروجی را مستقیماً در محیط تولید ببینید. این کار باعث می‌شود زمان تنظیمات جدید کاهش یابد و خطاهای انسانی به‌دست‌کم برسد. همچنین می‌توانید تست‌های رگرسیونی را خودکار کنید و تغییرات بین اسنپ‌شات‌ها را مقایسه کنید.

نظر Blue IT News

به‌کارگیری dry‑run به‌عنوان پیش‌فرض، خطر حذف یا تغییر ناخواسته در ربات‌های زنده را به‌طور قابل‌توجهی کاهش می‌دهد؛ پس قبل از فعال‌سازی نهایی، حتماً خروجی dry‑run را بررسی کنید.