Expert Registry MCP Server

Um servidor MCP para descoberta, registro e injeção de contexto de especialistas, utilizando bancos de dados vetoriais e de grafos.

GitHub

Documentação

Servidor MCP de Registro de Especialistas

Última atualização: 30/06/2025

Um servidor MCP de alto desempenho para descoberta, registro e injeção de contexto de especialistas, construído com FastMCP v2, com integração de banco de dados vetorial e de grafos para busca semântica aprimorada e modelagem de relacionamentos.

Recursos

🚀 Alto desempenho: Cache em múltiplas camadas com índices vetoriais para consultas em menos de um milissegundo
📁 Atualizações baseadas em arquivos: Recarga automática em alterações de arquivos de registro/contexto
🔍 Busca semântica: Integração com banco de dados vetorial para descoberta de especialistas baseada em significado
🔗 Modelagem de relacionamentos: Banco de dados de grafos para redes de especialistas e formação de equipes
💉 Injeção de contexto: Aprimoramento de prompts com IA usando conhecimento de especialistas
📊 Analytics: Rastreamento de desempenho com filtragem colaborativa
🧠 Descoberta híbrida: Pontuação combinada de similaridade vetorial e conectividade de grafos
🐍 Foco em Python: Construído com FastMCP v2 para código limpo e idiomático

Instalação

Docker (Recomendado para produção)

A maneira mais fácil de executar o servidor MCP de Registro de Especialistas é usando Docker:

# Build and deploy locally
./scripts/build.sh
./scripts/deploy.sh

# Or use pre-built image from GitHub Container Registry
docker pull ghcr.io/agentience/expert-registry-mcp:latest

Recursos:

🐳 Serviço em contêiner único para múltiplos clientes MCP
📦 Contextos de especialistas e registro mapeados para o host para edição fácil
🔄 Suporte a recarga automática quando arquivos mudam no host
🌐 Transporte SSE para conexões de clientes
🗄️ Inclui configuração do banco de dados Neo4j
🚀 Pronto para produção com verificações de saúde

Consulte DOCKER.md para o guia completo de implantação.

Desenvolvimento local

Usando uv (recomendado):

# Create virtual environment and install
uv venv
uv pip install -e .

# Or install directly
uv pip install expert-registry-mcp

Usando pip:

pip install expert-registry-mcp

Configuração do banco de dados

Banco de dados vetorial (ChromaDB - incorporado)

# ChromaDB is embedded, no separate installation needed
# It will create a vector-db directory automatically

Banco de dados de grafos (Neo4j)

# Option 1: Docker (recommended)
docker run -d --name neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/password \
  neo4j:latest

# Option 2: Local installation
# Download from https://neo4j.com/download/

Início rápido

Configure a estrutura de diretórios do seu sistema de especialistas:

expert-system/
├── registry/
│   └── expert-registry.json
├── expert-contexts/
│   ├── aws-amplify-gen2.md
│   ├── aws-cloudscape.md
│   └── ...
└── performance/
    └── metrics.json

Configure o ambiente:

export EXPERT_SYSTEM_PATH=/path/to/expert-system
export NEO4J_URI=bolt://localhost:7687
export NEO4J_PASSWORD=password

Execute o servidor:

# Using FastMCP CLI
fastmcp run expert-registry-mcp

# Or using Python
python -m expert_registry_mcp.server

Configuração do Claude Desktop

Adicione à sua configuração do Claude Desktop:

{
  "mcpServers": {
    "expert-registry": {
      "command": "uv",
      "args": ["run", "expert-registry-mcp"],
      "env": {
        "EXPERT_SYSTEM_PATH": "/path/to/expert-system",
        "NEO4J_URI": "bolt://localhost:7687",
        "NEO4J_PASSWORD": "password"
      }
    }
  }
}

Exemplos de uso

Descoberta básica de especialistas

# Detect technologies in your project
technologies = await expert_detect_technologies(
    scan_paths=["./src", "./package.json"]
)

# Select the best expert with hybrid search
result = await expert_smart_discover(
    context={
        "description": "Refactor authentication system using AWS Amplify",
        "technologies": technologies.technologies,
        "constraints": ["maintain backward compatibility"],
        "preferred_strategy": "single"
    }
)

Injeção de contexto

# Load expert context
context = await expert_load_context(
    expert_id=result.expert.id
)

# Inject into prompt
enhanced_prompt = await expert_inject_context(
    prompt="Refactor the authentication system",
    expert_id=result.expert.id,
    injection_points=["constraints", "patterns", "quality-criteria"]
)

Rastreamento de desempenho

# Track usage
await expert_track_usage(
    expert_id=result.expert.id,
    task_id="auth-refactor-001",
    outcome={
        "success": True,
        "adherence_score": 9.5,
        "task_type": "refactoring"
    }
)

# Get analytics
analytics = await expert_get_analytics(
    expert_id=result.expert.id
)

Ferramentas disponíveis

Gerenciamento de registro

expert_registry_list - Listar especialistas com filtros
expert_registry_get - Obter detalhes do especialista
expert_registry_search - Buscar especialistas por consulta

Seleção de especialistas

expert_detect_technologies - Detectar tecnologias do projeto
expert_select_optimal - Selecionar o melhor especialista para a tarefa
expert_assess_capability - Avaliar capacidade do especialista
expert_smart_discover - Busca híbrida com IA (vetorial + grafo)

Busca semântica

expert_semantic_search - Buscar usando linguagem natural
expert_find_similar - Encontrar especialistas semelhantes

Operações de grafo

expert_explore_network - Explorar relacionamentos de especialistas
expert_find_combinations - Encontrar equipes complementares de especialistas

Operações de contexto

expert_load_context - Carregar conhecimento do especialista
expert_inject_context - Aprimorar prompts com expertise

Analytics

expert_track_usage - Registrar desempenho do especialista
expert_get_analytics - Obter métricas de desempenho

Formato do registro de especialistas

{
  "version": "1.0.0",
  "last_updated": "2025-06-30T00:00:00Z",
  "experts": [
    {
      "id": "aws-amplify-gen2",
      "name": "AWS Amplify Gen 2 Expert",
      "version": "1.0.0",
      "description": "Expert in AWS Amplify Gen 2 development",
      "domains": ["backend", "cloud", "serverless"],
      "specializations": [
        {
          "technology": "AWS Amplify Gen 2",
          "frameworks": ["AWS CDK", "TypeScript"],
          "expertise_level": "expert"
        }
      ],
      "workflow_compatibility": {
        "feature": 0.95,
        "bug-fix": 0.85,
        "refactoring": 0.80,
        "investigation": 0.70,
        "article": 0.60
      },
      "constraints": [
        "Use TypeScript-first approach",
        "Follow AWS Well-Architected Framework"
      ],
      "patterns": [
        "Infrastructure as Code",
        "Serverless-first architecture"
      ],
      "quality_standards": [
        "100% type safety",
        "Comprehensive error handling"
      ]
    }
  ]
}

Formato do contexto do especialista

Arquivos de contexto de especialistas são documentos Markdown em expert-contexts/:

# AWS Amplify Gen 2 Expert Context

## Constraints
- Use TypeScript for all backend code
- Follow AWS Well-Architected Framework principles
- Implement proper error handling and logging

## Patterns
- Infrastructure as Code using CDK
- Serverless-first architecture
- Event-driven communication

## Quality Standards
- 100% TypeScript type coverage
- Comprehensive error handling
- Unit test coverage > 80%

Desenvolvimento

Configurar ambiente de desenvolvimento

# Clone repository
git clone https://github.com/agentience/expert-registry-mcp
cd expert-registry-mcp

# Create virtual environment with uv
uv venv
source .venv/bin/activate  # or .venv\Scripts\activate on Windows

# Install in development mode
uv pip install -e ".[dev]"

Executar testes

# Run all tests
pytest

# Run with coverage
pytest --cov=expert_registry_mcp

# Run specific test file
pytest tests/test_registry.py

Qualidade de código

# Format code
black src tests

# Lint code
ruff check src tests

# Type checking
mypy src

Arquitetura

Cache em múltiplas camadas

Cache de registro: TTL de 24 horas para definições de especialistas
Cache vetorial: Embeddings em cache até atualizações de especialistas
Cache de grafo: Consultas de relacionamento em cache por 10 minutos
Cache de seleção: TTL de 5 minutos para detecção de tecnologia
Cache de contexto: Cache LRU para contextos de especialistas (50 entradas)

Integração com banco de dados

ChromaDB: Banco de dados vetorial incorporado para busca semântica
- Múltiplas coleções para diferentes tipos de embedding
- Geração automática de embeddings com sentence-transformers
Neo4j: Banco de dados de grafos para modelagem de relacionamentos
- Relacionamentos Especialista-Tecnologia-Tarefa
- Cálculos de sinergia de equipe
- Rastreamento de evolução

Recursos de desempenho

Índices vetoriais: Índices Annoy para busca de similaridade ultrarrápida
Combinações pré-computadas: Pares comuns de especialistas em cache
Operações em lote: Processamento em massa eficiente
Invalidação inteligente: Atualizações direcionadas de cache

Monitoramento de arquivos

Usa watchdog para monitoramento de arquivos multiplataforma
Recarga automática de registro e sincronização de banco de dados
Nenhum reinício do servidor necessário para atualizações

Solução de problemas

Problemas comuns

Especialista não encontrado
- Verifique o ID do especialista no registro
- Verifique se os caminhos dos arquivos estão corretos
- Garanta que o JSON do registro seja válido
Arquivo de contexto ausente
- Verifique o diretório de contextos de especialistas
- Verifique se o nome do arquivo corresponde ao ID do especialista
- Garanta a extensão .md
Cache não atualizando
- O monitor de arquivos pode precisar ser reiniciado
- Verifique as permissões dos arquivos
- Verifique EXPERT_SYSTEM_PATH

Modo de depuração

Ative o registro de depuração:

export FASTMCP_DEBUG=1
expert-registry-mcp

Recursos avançados

Busca semântica

O sistema usa ChromaDB para permitir consultas em linguagem natural:

# Find experts by meaning, not just keywords
results = await expert_semantic_search(
    query="implement secure authentication with cloud integration",
    search_mode="hybrid"
)

Exploração de relacionamentos

O Neo4j alimenta consultas sofisticadas de relacionamentos:

# Explore expert networks
network = await expert_explore_network(
    start_expert_id="aws-amplify-gen2",
    depth=2,
    relationship_types=["SPECIALIZES_IN", "COMPATIBLE_WITH"]
)

Formação de equipes

Composição de equipes com IA:

# Find complementary expert teams
teams = await expert_find_combinations(
    requirements=["AWS Amplify", "React", "DynamoDB"],
    team_size=3
)

Contribuindo

Faça um fork do repositório
Crie sua branch de recurso (git checkout -b feature/amazing-feature)
Execute testes e linting
Faça commit das suas alterações (git commit -m 'Add amazing feature')
Envie para a branch (git push origin feature/amazing-feature)
Abra um Pull Request

Licença

Licença MIT - consulte o arquivo LICENSE para detalhes

Suporte

Documentação: https://github.com/agentience/expert-registry-mcp
Problemas: https://github.com/agentience/expert-registry-mcp/issues
Discussões: https://github.com/agentience/expert-registry-mcp/discussions