Q Scheduler Mcp

Q Scheduler Mcp

开发 Python

🚀 MCP Scheduler

MCP Scheduler是一个强大的任务调度服务器，它基于模型上下文协议（MCP）构建，可用于调度和管理各类自动化任务。

该项目是从 https://github.com/PhialsBasement/scheduler-mcp 分叉而来。

License

🚀 快速开始

MCP Scheduler是一个多功能的任务自动化系统，你可以使用它来调度和运行不同类型的任务，如执行系统命令、发起HTTP请求、生成AI内容以及设置提醒等。使用前请确保满足安装的前提条件，安装完成后即可根据自身需求配置并运行。

✨ 主要特性

  • 多任务类型支持：支持执行Shell命令、发起API调用、生成AI内容以及显示桌面提醒。
  • Cron调度：采用熟悉的Cron语法，可精确控制任务调度时间。
  • 单次或定期执行：可选择让任务仅执行一次，或者按计划重复执行。
  • 执行历史记录：可跟踪任务的成功和失败执行情况。
  • 跨平台支持：可在Windows、macOS和Linux系统上运行。
  • 交互式通知：提醒任务会以带有声音的桌面警报形式呈现。
  • MCP集成：能与AI助手和其他MCP兼容的客户端无缝连接。
  • 强大的错误处理：具备全面的日志记录和错误恢复功能。

📦 安装指南

前提条件

  • Python 3.10 或更高版本
  • uv（推荐的包管理器）

安装uv（推荐）

# 对于Mac/Linux系统
curl -LsSf https://astral.sh/uv/install.sh | sh

# 对于Windows系统（PowerShell）
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

安装uv后，请重启终端以确保命令可用。

使用uv进行项目设置（推荐）

# 克隆仓库
git clone https://github.com/yourusername/mcp-scheduler.git
cd mcp-scheduler

# 使用uv创建并激活虚拟环境
uv venv
source .venv/bin/activate  # 在Unix/MacOS系统上
# 或者
.venv\Scripts\activate     # 在Windows系统上

# 使用uv安装依赖项
uv pip install -r requirements.txt

标准pip安装（可选）

如果你更喜欢使用标准的pip：

# 克隆仓库
git clone https://github.com/yourusername/mcp-scheduler.git
cd mcp-scheduler

# 创建并激活虚拟环境
python -m venv .venv
source .venv/bin/activate  # 在Unix/MacOS系统上
# 或者
.venv\Scripts\activate     # 在Windows系统上

# 安装依赖项
pip install -r requirements.txt

💻 使用示例

运行服务器

# 首先激活虚拟环境
source .venv/bin/activate  # 在Unix/MacOS系统上
# 或者
.venv\Scripts\activate     # 在Windows系统上

# 使用默认设置运行（stdio传输）
uv run main.py

# 与AWS Q集成运行（推荐给Amazon Q用户）
uv run start_with_aws_q.py

# 以调试模式运行，获取详细日志
uv run main.py --debug

# 使用自定义配置文件运行
uv run main.py --config /path/to/config.json

服务器默认使用stdio传输，这非常适合与Amazon Q和其他MCP客户端集成。服务器会根据环境自动处理通信协议。

与Amazon Q、Claude Desktop或其他MCP客户端集成

Amazon Q集成

要将MCP Scheduler与Amazon Q一起使用：

  1. 确保你已安装Amazon Q CLI。
  2. 使用AWS Q模型补丁运行调度器：
# 启动与AWS Q集成的调度器
uv run start_with_aws_q.py

这将自动将调度器注册到Amazon Q，使你能够通过自然语言命令创建和管理任务。

示例命令：

  • "创建一个定时任务，每天晚上10:30备份我的配置文件"
  • "显示所有定时任务"
  • "立即运行备份任务"

更多与Amazon Q的使用示例，请查看examples目录。

Claude Desktop集成

要将MCP Scheduler与Claude Desktop一起使用：

  1. 确保你已安装Claude Desktop。
  2. 打开Claude Desktop应用程序配置文件：
    • macOS：~/Library/Application Support/Claude/claude_desktop_config.json
    • Windows：%APPDATA%\Claude\claude_desktop_config.json
  3. 如果文件不存在，请创建该文件，并添加你的服务器：
{
"mcpServers": [
{
"type": "stdio",
"name": "MCP Scheduler",
"command": "python",
"args": ["/path/to/your/mcp-scheduler/main.py"]
}
]
}

或者，如果你使用的是FastMCP库，可以使用fastmcp实用工具：

# 在Claude Desktop中安装你的服务器
fastmcp install main.py --name "Task Scheduler"

命令行选项

--address        服务器地址（默认：localhost）
--port           服务器端口（默认：8080）
--transport      传输模式（stdio或sse）（默认：stdio）
--log-level      日志级别（默认：INFO）
--log-file       日志文件路径（默认：mcp_scheduler.log）
--db-path        SQLite数据库路径（默认：scheduler.db）
--config         JSON配置文件路径
--ai-model       用于AI任务的AI模型（默认：gpt-4o）
--version        显示版本信息并退出
--debug          启用调试模式，显示完整回溯信息
--fix-json       启用JSON修复功能，处理格式错误的消息

当与Amazon Q一起使用时，大多数这些选项会由start_with_aws_q.py脚本自动配置。

配置文件

你可以使用JSON配置文件代替命令行参数：

{
"server": {
"name": "mcp-scheduler",
"version": "0.1.0",
"address": "localhost",
"port": 8080,
"transport": "stdio"
},
"database": {
"path": "scheduler.db"
},
"logging": {
"level": "INFO",
"file": "mcp_scheduler.log"
},
"scheduler": {
"check_interval": 5,
"execution_timeout": 300
},
"ai": {
"model": "gpt-4o",
"use_aws_q_model": true,
"openai_api_key": "your-api-key"  // 仅在不使用AWS Q模型时需要
}
}

当与Amazon Q一起使用时，use_aws_q_model应设置为true，并且不需要API密钥。

📚 详细文档

任务类型和限制

MCP Scheduler是一个应用级任务调度服务，而不是系统级定时任务管理器：

  • 应用级任务：MCP Scheduler创建的任务存储在其自己的数据库中，只有在MCP Scheduler服务运行时才会执行。
  • 非系统级：这些任务不是系统crontab或systemd定时器，不会在系统启动时自动运行。
  • 服务依赖：如果MCP Scheduler服务停止，任务将不会执行。
  • 用户权限：任务以运行MCP Scheduler的用户权限执行，而不是root权限。

如果你需要系统级定时任务（在系统启动时自动运行或需要root权限），请考虑：

  1. 使用操作系统的crontab -e或systemctl直接创建系统级定时任务。
  2. 创建一个MCP Scheduler任务，该任务执行脚本来管理系统级定时任务。

持久化和服务管理

为确保MCP Scheduler在系统重启后继续运行，你可以：

  1. 将其设置为系统服务（使用systemd）。
  2. 在用户登录时自动启动。
  3. 在云环境中作为容器或服务运行。

MCP工具函数

MCP Scheduler提供以下工具：

任务管理

  • list_tasks：获取所有定时任务。
  • get_task：获取特定任务的详细信息。
  • add_command_task：添加一个新的Shell命令任务。
  • add_api_task：添加一个新的API调用任务。
  • add_ai_task：添加一个新的AI任务。
  • add_reminder_task：添加一个带有桌面通知的新提醒任务。
  • update_task：更新现有任务。
  • remove_task：删除一个任务。
  • enable_task：启用一个已禁用的任务。
  • disable_task：禁用一个活动任务。
  • run_task_now：立即运行一个任务。

执行和监控

  • get_task_executions：获取任务的执行历史记录。
  • get_server_info：获取服务器信息。

Cron表达式指南

MCP Scheduler使用标准的Cron表达式进行调度。以下是一些示例：

  • 0 0 * * * - 每天午夜执行。
  • 0 */2 * * * - 每2小时执行一次。
  • 0 9-17 * * 1-5 - 周一至周五，上午9点到下午5点，每小时执行一次。
  • 0 0 1 * * - 每月第一天午夜执行。
  • 0 0 * * 0 - 每周日午夜执行。

环境变量

调度器可以使用环境变量进行配置：

  • MCP_SCHEDULER_NAME：服务器名称（默认：mcp-scheduler）
  • MCP_SCHEDULER_VERSION：服务器版本（默认：0.1.0）
  • MCP_SCHEDULER_ADDRESS：服务器地址（默认：localhost）
  • MCP_SCHEDULER_PORT：服务器端口（默认：8080）
  • MCP_SCHEDULER_TRANSPORT：传输模式（默认：stdio）
  • MCP_SCHEDULER_LOG_LEVEL：日志级别（默认：INFO）
  • MCP_SCHEDULER_LOG_FILE：日志文件路径
  • MCP_SCHEDULER_DB_PATH：数据库路径（默认：scheduler.db）
  • MCP_SCHEDULER_CHECK_INTERVAL：检查任务的频率（默认：5秒）
  • MCP_SCHEDULER_EXECUTION_TIMEOUT：任务执行超时时间（默认：300秒）
  • MCP_SCHEDULER_AI_MODEL：用于AI任务的OpenAI模型（默认：gpt-4o）
  • MCP_SCHEDULER_USE_AWS_Q_MODEL：是否使用AWS Q模型进行AI任务（默认：false）
  • OPENAI_API_KEY：OpenAI任务的API密钥（使用AWS Q模型时不需要）

通过不同方式使用MCP Scheduler

通过Amazon Q使用（推荐）

使用Amazon Q创建和管理任务非常简单，只需使用自然语言描述你想要的任务：

  1. 创建命令任务：
    创建一个定时任务，每天晚上10:30备份我的数据库到/backups目录
  2. 创建API调用任务：
    设置一个每6小时获取一次天气数据的任务
  3. 创建AI任务：
    每周一早上9点生成一份上周销售数据的摘要报告
  4. 创建提醒任务：
    每周二和周四上午9:30提醒我参加团队会议
  5. 查看所有任务：
    显示所有定时任务
  6. 立即运行任务：
    立即运行备份任务

通过编程API使用

如果你正在开发应用程序或脚本，可以通过编程方式与MCP Scheduler交互。以下是建立调用关系的简要指南：

1. 安装必要的依赖
# 使用uv安装（推荐）
uv pip install "mcp[client]>=1.4.0"
2. 建立连接并调用API
import asyncio
from mcp.client import StdioClient

async def main():
# 启动MCP Scheduler作为子进程
process_args = ["uv", "run", "/path/to/scheduler-mcp/main.py"]
async with StdioClient.create_subprocess(process_args) as client:
# 获取服务器信息
server_info = await client.call("get_server_info")
print(f"连接到 {server_info['name']} 版本 {server_info['version']}")

# 列出所有任务
tasks = await client.call("list_tasks")
print(f"当前有 {len(tasks)} 个任务")

# 添加一个命令任务
cmd_task = await client.call(
"add_command_task",
{
"name": "系统状态检查",
"schedule": "*/30 * * * *",  # 每30分钟
"command": "vmstat > /tmp/vmstat_$(date +%Y%m%d_%H%M).log",
"description": "记录系统状态",
"do_only_once": False
}
)
print(f"创建命令任务: {cmd_task['id']}")

# 立即运行一个任务
run_result = await client.call(
"run_task_now",
{"task_id": cmd_task['id']}
)
print(f"任务执行结果: {run_result['execution']['status']}")

# 运行主函数
if __name__ == "__main__":
asyncio.run(main())
3. 连接到已运行的MCP Scheduler

如果MCP Scheduler已经在HTTP模式下运行，可以使用SSE客户端连接：

import asyncio
from mcp.client import SseClient

async def connect_to_running_scheduler():
async with SseClient("http://localhost:8080") as client:
tasks = await client.call("list_tasks")
print(f"当前有 {len(tasks)} 个任务")

asyncio.run(connect_to_running_scheduler())
4. 错误处理
import asyncio
from mcp.client import StdioClient
from mcp.errors import McpError

async def robust_scheduler_client():
try:
process_args = ["uv", "run", "/path/to/scheduler-mcp/main.py"]
async with StdioClient.create_subprocess(process_args) as client:
try:
result = await client.call("list_tasks")
return result
except McpError as e:
print(f"MCP API错误: {e}")
return []
except Exception as e:
print(f"连接错误: {e}")
return []

asyncio.run(robust_scheduler_client())

完整示例

查看 examples/api_client_example.py 获取完整的API使用示例，包括：

  • 连接到MCP Scheduler服务。
  • 创建、运行、更新和删除任务。
  • 获取任务执行历史。
  • 错误处理和异常管理。
# 运行示例
cd examples
./api_client_example.py

示例脚本

examples目录包含了可直接使用的脚本和配置，适用于常见用例：

  • backup_mcp_config.sh：一个用于备份Amazon Q MCP配置文件的脚本，包含基于日期的命名和保留策略。

MCP工具发现

MCP Scheduler支持通过模型上下文协议进行自动工具发现：

Stdio模式（默认）

在stdio模式下运行时（默认模式），工具发现会通过MCP协议自动进行。这是与Amazon Q和其他支持stdio通信的MCP客户端一起使用的推荐模式。

# 在stdio模式下运行（默认）
uv run main.py

HTTP模式（可选）

如果你需要在HTTP模式下运行服务器，可以使用SSE传输，并通过知名端点访问模式：

# 使用HTTP服务器传输运行
uv run main.py --transport sse --port 8080

在HTTP模式下，服务器会暴露一个知名端点用于工具/模式的自动发现：

  • 端点：/.well-known/mcp-schema.json（在HTTP端口 + 1上，例如，如果你的服务器在8080端口运行，模式在8081端口）
  • 目的：允许客户端和AI助手自动发现所有可用的MCP工具及其参数。

你可以在以下地址访问模式：

http://localhost:8081/.well-known/mcp-schema.json

示例模式响应

{
"tools": [
{
"name": "list_tasks",
"description": "List all scheduled tasks.",
"endpoint": "list_tasks",
"method": "POST",
"parameters": {
"type": "object",
"properties": {},
"required": [],
"additionalProperties": false
}
},
{
"name": "add_command_task",
"description": "Add a new shell command task.",
"endpoint": "add_command_task",
"method": "POST",
"parameters": {
"type": "object",
"properties": {
"name": {"type": "string"},
"schedule": {"type": "string"},
"command": {"type": "string"},
"description": {"type": "string"},
"enabled": {"type": "boolean"},
"do_only_once": {"type": "boolean"}
},
"required": ["name", "schedule", "command"],
"additionalProperties": false
}
}
// ... more tools ...
]
}

此模式是从注册的MCP工具自动生成的，始终反映当前服务器的功能。

开发

如果你想为MCP Scheduler做出贡献或进一步开发，以下是一些额外的命令：

# 安装用于开发的MCP SDK
uv pip install "mcp[cli]>=1.4.0"

# 或者使用FastMCP（替代实现）
uv pip install fastmcp

# 测试你的MCP服务器
# 使用MCP Inspector工具
mcp inspect --stdio -- uv run main.py

# 或者使用简单的MCP客户端
python -m mcp.client.stdio uv run main.py

# 运行测试
uv run -m pytest

# 代码检查
uv pip install flake8
flake8 mcp_scheduler/

📄 许可证

本项目采用MIT许可证 - 详情请参阅LICENSE文件。

默认排序 时间排序

0 个评论

« 上一篇
Gateway
下一篇 »
AWS CUR MCP Server
  • 0 关注
  • 0 收藏，31 浏览
  • system 提出于 2025-09-25 06:39

相似服务问题

相关AI产品

  • 暂无相关AI产品

热议话题 »