MCP Servers

A collection of Model Context Protocol servers, templates, tools and more.

M
MCP Weather Outfit
by @azrael8576
GitHub Repo(1 stars)

MCP server for weather lookup and outfit suggestions. Cloudflare Workers + D1 + OpenWeatherMap. Tools, Resources, Prompts.

Created 3/3/2026
Updated about 5 hours ago
README
View Source
Repository documentation and setup instructions

MCP 天氣與穿搭建議伺服器 (CS146S Week 3)

基於 Cloudflare Workers + D1 的 MCP 伺服器，提供天氣查詢與穿搭建議（Tools、Resources、Prompts）。

專案結構

  • workers/python/ — Python Worker：D1 城市查詢、OpenWeatherMap API、錯誤處理
  • workers/ts-agent/ — TypeScript MCP 伺服器：SSE、Tools / Resources / Prompts
  • scripts/ — 工具腳本（如將 city.list.json 匯入 D1）
  • schema.sql — D1 資料表定義

環境需求

安裝

# 依賴（專案根目錄）
npm install
uv sync

環境變數

複製 .env.example 為 .env 並填入：

  • OPEN_WEATHER_KEY — OpenWeatherMap API 金鑰

Cloudflare 環境（本機除錯用）可放在 .dev.vars（勿提交）：

OPEN_WEATHER_KEY=your_key_here

D1 資料庫設定與匯入

  1. 建立 D1 資料庫（僅需執行一次）：

    npx wrangler d1 create mcp-weather-db

    輸出會包含 database_id，將它填入 wrangler.toml 中 [[d1_databases]] 的 database_id = "..."。

  2. 建立資料表：

    npx wrangler d1 execute mcp-weather-db --remote --file=./schema.sql

  3. 產生並匯入城市資料（從 city.list.json 產生分塊 SQL）：

    uv run python scripts/import_cities_to_d1.py

    會產生 d1_chunks/ 目錄。再依序執行（或寫成迴圈）：

    for f in d1_chunks/insert_*.sql; do npx wrangler d1 execute mcp-weather-db --remote --file="$f"; done

Python Worker API（天氣後端）

提供給 TS MCP Agent 呼叫的內部 API（需先完成 D1 匯入與設定 OPEN_WEATHER_KEY）：

  • GET /api/coordinates?city=<英文名稱>&country=<選填，ISO 兩碼> — 查詢城市經緯度；有 country 時只回傳精確一筆。回傳 { "cities": [ ... ] }；找不到則 404。
  • GET /api/weather?lat=<緯度>&lon=<經度> — 呼叫 OpenWeatherMap，回傳即時天氣（含錯誤處理：逾時、429 用量限制、401/502）。

本機執行

  • Python Worker（天氣 API）：在專案根目錄執行 uv run pywrangler dev 或 npx wrangler dev（需先建立 D1 並將 database_id 填入根目錄 wrangler.toml）。
  • TS MCP 伺服器：cd workers/ts-agent && npm install && npm run dev，MCP 端點為 http://localhost:8787/mcp（埠號以終端機輸出為準）。使用 MCP Inspector 時輸入此 URL 即可連線。

如何測試（ step-by-step）

一、前置（只需做一次）

  1. 建立 D1 並寫入 database_id

    npx wrangler d1 create mcp-weather-db

    把輸出裡的 database_id 填進專案根目錄的 wrangler.toml，取代 REPLACE_AFTER_D1_CREATE。

  2. 建立資料表

    npx wrangler d1 execute mcp-weather-db --remote --file=./schema.sql

  3. 匯入城市資料

    uv run python scripts/import_cities_to_d1.py
for f in d1_chunks/insert_*.sql; do npx wrangler d1 execute mcp-weather-db --remote --file="$f"; done

    （迴圈會跑一陣子，約 42 個檔案。）

  4. 本機開發專用：匯入「本地 D1」（若不想註冊 workers.dev，用這步讓 npx wrangler dev 連到有資料的本地 D1）

    npx wrangler d1 execute mcp-weather-db --local --file=./schema.sql
for f in d1_chunks/insert_*.sql; do npx wrangler d1 execute mcp-weather-db --local --file="$f"; done

    跑完後，本機 npx wrangler dev 會使用這份本地 D1，無需 workers.dev 或 --remote。

  5. 本機環境變數

    • 專案根目錄新增 .dev.vars（給 Python Worker）：
      OPEN_WEATHER_KEY=你的OpenWeatherMap金鑰
    • workers/ts-agent/ 底下新增 .dev.vars（給 TS MCP）：
      PYTHON_WORKER_URL=http://localhost:8788
      （埠號等下面啟動 Python Worker 後再對照修改。）

二、每次測試：開兩個終端機 + Inspector

終端機 1 — Python Worker（天氣 API）
在專案根目錄執行（需先完成上方「本機開發專用：匯入本地 D1」步驟，本機 dev 才會連到有城市資料的本地 D1）：

npx wrangler dev

看輸出裡的埠號（例如 http://localhost:8788）。若埠號不是 8788，請把 workers/ts-agent/.dev.vars 的 PYTHON_WORKER_URL 改成對應的 http://localhost:<埠號>。

終端機 2 — TS MCP 伺服器

cd workers/ts-agent && npm install && npm run dev

記下埠號（例如 8787）。

終端機 3 — MCP Inspector

npx @modelcontextprotocol/inspector@latest

瀏覽器會打開 Inspector。在「Server URL」輸入：http://localhost:8787/mcp（改成你在終端機 2 看到的埠號），按 Connect。

三、在 Inspector 裡驗證（無對話框，只能手動呼叫 Tool）

MCP Inspector 沒有聊天對話框，只能手動選擇 Tool、填入參數後執行。要測試「東京」「台北」等自然語言，需在有對話的 AI 應用裡（見下方「哪裡有對話框？」）。

在 Inspector 中建議這樣測：

  • Tools：選 search_city_coordinates，手動輸入 city: "Tokyo"、country: "JP"（模擬 LLM 把「東京」轉成英文+國家後呼叫），應得到一筆經緯度。再選 get_weather，把剛拿到的 lat、lon 填入即可取得天氣。
  • Resources：選 outfit_guidelines 或 URI res://outfit_guidelines，讀取後應看到穿搭指南文字。
  • Prompts：選 weather_outfit_advisor，取得 prompt 後會帶入「先查座標 → 查天氣 → 讀指南 → 產出穿搭建議」的指示。

哪裡有對話框？（使用者輸入「東京的天氣」的地方）

「在對話裡輸入『東京的天氣』」指的是使用本 MCP 的 AI 應用的聊天介面，不是 MCP Inspector：

  • Cloudflare Agents：部署 TS MCP 後，在 Cloudflare Dashboard → Workers & Pages → 你的 Agent → 設定「遠端 MCP」為你的 MCP 端點。在該 Agent 的聊天視窗輸入「東京的天氣」「查台北天氣」，Agent（LLM）會自動把「東京」轉成 Tokyo + JP 並呼叫你的 tools。
  • 其他 MCP 客戶端：例如 Claude Desktop、Cursor 等若已設定連到你的 MCP 端點，則在該程式的對話框輸入即可。

本機僅用 MCP Inspector 時，沒有這類對話框，需如上所述手動傳 city / country 測試。

若 get_weather 出現 HTTP 404 或「Invalid OAuth」「<!DOCTYPE」等 HTML 錯誤

表示 TS Agent 沒有連到 Python Worker，而是連到別台（例如 OAuth 登入頁），所以回傳 HTML 而非 JSON。請檢查：

  1. Python Worker 是否有啟動：在專案根目錄執行 npx wrangler dev，確認終端顯示類似 Ready on http://localhost:8788（埠號以你畫面為準）。
  2. TS Agent 的 PYTHON_WORKER_URL 是否正確：在 workers/ts-agent/.dev.vars 設為 Python Worker 的網址，且不要含結尾斜線，例如： 
    PYTHON_WORKER_URL=http://localhost:8788
    埠號要與終端機 1 的 Python Worker 一致。
  3. 若同時跑兩個服務，請確認終端機 1 是 Python Worker（根目錄 wrangler dev）、終端機 2 是 TS Agent（workers/ts-agent 底下 npm run dev），兩者都保持運行再測 get_weather。

呼叫流程範例（MCP Inspector）

先啟動 Python Worker 與 TS MCP，再用 MCP Inspector 連到 TS MCP 的 /mcp 端點。在 Inspector 內手動呼叫 Tools（如 search_city_coordinates 傳 city: "Tokyo", country: "JP"）、讀取 Resources、取得 Prompts。

部署（Cloudflare Workers）

需先登入 Cloudflare：npx wrangler login（或設定環境變數 CLOUDFLARE_API_TOKEN）。專案內 wrangler.toml 已設定 Worker 名稱與 D1 database_id，可直接依下列步驟部署。

1. Python Worker（天氣 API）

在專案根目錄執行：

# 設定 OpenWeatherMap API Key（部署用 Secret，非 .env）
npx wrangler secret put OPEN_WEATHER_KEY
# 依提示貼上你的 OpenWeatherMap API Key

# 部署
npx wrangler deploy

部署成功後終端會顯示 URL，例如：https://mcp-weather-api.<你的帳號>.workers.dev。請複製此 URL，下一步會用到。

2. TS MCP 伺服器

在 workers/ts-agent 目錄執行：

cd workers/ts-agent

# 設定 Python Worker 的對外 URL（把下面換成你上一步的實際 URL）
npx wrangler secret put PYTHON_WORKER_URL
# 依提示輸入：https://mcp-weather-api.<你的帳號>.workers.dev（勿加結尾斜線）

# 部署
npm run deploy

MCP 端點為：https://mcp-ts-agent.<你的帳號>.workers.dev/mcp。

3. Cloudflare Agents 遠端 MCP

在 Cloudflare Dashboard → Workers & Pages → 你的 Agent → 設定「遠端 MCP」URL 為：

https://mcp-ts-agent.<你的帳號>.workers.dev/mcp

即可讓該 Agent 使用本 MCP 的 tools、resources、prompts。

4. 在 Cursor 裡使用此 MCP

部署完成後，可在 Cursor 中連到你的 MCP，讓 AI 助手能呼叫查座標、查天氣、讀穿搭指南。

方式一：專案已內建設定（推薦）
本專案已包含 .cursor/mcp.json，MCP URL 為 https://mcp-ts-agent.weihe.workers.dev/mcp。若你部署到不同網域，請編輯此檔中的 url。

  1. 重新載入 Cursor 視窗：Cmd + Shift + P（Mac）或 Ctrl + Shift + P（Windows）→ 輸入 Reload Window → Enter。
  2. 開啟 Cursor Settings（Cmd + , / Ctrl + ,）→ Features → MCP，確認專案的 MCP 已出現並為已連線。
  3. 在聊天或 Composer 中即可請 AI 使用「查東京天氣」「台北穿搭建議」等，AI 會透過 MCP 呼叫 search_city_coordinates、get_weather 與讀取 outfit_guidelines。

方式二：手動新增
若未使用專案內建的 .cursor/mcp.json，可改在 Cursor 設定中手動新增 MCP Server：

  • Transport：Streamable HTTP（或 SSE）
  • URL：https://mcp-ts-agent.weihe.workers.dev/mcp（依你的部署子網域修改）

新增後重新載入 Cursor 視窗再使用。

已啟用：以 Cloudflare Access for SaaS 保護 MCP

本專案的 TS MCP Worker 已實作 Cloudflare Access (SSO/OIDC) 保護，確保只有經過驗證的使用者才能存取 MCP 端點。

設定步驟

  1. 建立 Zero Trust 組織：在 Cloudflare Dashboard 中進入 Zero Trust，並設定 One-time PIN 或第三方 IdP。
  2. 建立 Access for SaaS 應用：
    • 在 Zero Trust → Access → Applications 新增 SaaS 應用。
    • 類型選擇 OIDC。
    • 設定 Redirect URI 為 https://mcp-ts-agent.<你的子網域>.workers.dev/callback。
    • 完成後，取得以下資訊：client_id、client_secret，以及 Token / Authorization / JWKS 的端點 URL。
  3. 建立 KV Namespace：
    • 執行 npx wrangler kv:namespace create OAUTH_KV
    • 將產生的 id 填入 workers/ts-agent/wrangler.toml 中的 [[kv_namespaces]] 區塊。
  4. 設定 Worker 的 Secrets：
    • 在 workers/ts-agent 目錄下，使用 npx wrangler secret put <變數名稱> 依序設定以下變數：
      • ACCESS_CLIENT_ID: 步驟 2 取得的 Client ID
      • ACCESS_CLIENT_SECRET: 步驟 2 取得的 Client Secret
      • ACCESS_TOKEN_URL: 例如 https://<your-team>.cloudflareaccess.com/cdn-cgi/access/sso/oidc/<client_id>/token
      • ACCESS_AUTHORIZATION_URL: 例如 https://<your-team>.cloudflareaccess.com/cdn-cgi/access/sso/oidc/<client_id>/authorization
      • ACCESS_JWKS_URL: 例如 https://<your-team>.cloudflareaccess.com/cdn-cgi/access/certs
      • COOKIE_ENCRYPTION_KEY: 產生一組 32 bytes 的 Hex 字串（可使用 openssl rand -hex 32 產生）

完成上述設定後，重新部署 TS MCP Worker。存取 MCP 端點時，若未帶有有效的 Cookie，將會回傳 401 Unauthorized。若要取得 Cookie，請先透過瀏覽器存取 OAuth 授權流程（例如自行實作登入按鈕重導向至 ACCESS_AUTHORIZATION_URL），登入成功後會跳轉回 /callback 並自動設定 Cookie。

Quick Setup
Installation guide for this server

Install Package (if required)

npx @modelcontextprotocol/server-mcp-weather-outfit

Cursor configuration (mcp.json)

{ "mcpServers": { "azrael8576-mcp-weather-outfit": { "command": "npx", "args": [ "azrael8576-mcp-weather-outfit" ] } } }