EasyPanel MCP Server

🚀 EasyPanel MCP Server

🤖 Conecta tu Agente de IA con EasyPanel y despliega infraestructura con prompts naturales

Transforma la manera en que gestionas tu infraestructura: de líneas de comando a conversaciones naturales con IA

📚 Ver Documentación Completa

📖 ¿Qué es EasyPanel MCP?

EasyPanel MCP es un servidor de Model Context Protocol (MCP) que permite a agentes de inteligencia artificial (Claude, GPT, n8n, etc.) interactuar directamente con tu panel EasyPanel para gestionar infraestructura, desplegar servicios y administrar contenedores Docker mediante comandos naturales.

🔑 Características Principales

• ✅ Control Total por Voz/Texto: "Despliega mi API Flask con PostgreSQL"
• ✅ Multi-Plataforma: Funciona en Windows, macOS y Linux
• ✅ Fácil Integración: Compatible con Claude Desktop, Cursor, Cline, n8n, y cualquier cliente MCP
• ✅ Redes Aisladas: Soporte para redes internas Docker seguras (auto-descubrimiento)
• ✅ Auto-Scaling: Escala servicios basado en demanda con umbrales configurables
• ✅ Debugging Asistido: La IA puede analizar logs, diagnosticar problemas y sugerir soluciones
• ✅ GitHub Actions: Trigger de deployments automáticos desde tu repositorio
• ✅ Service Logs: Obtención inteligente de logs vía inspección de servicio
• ✅ Network Discovery: Descubrimiento automático de topología de redes
• ✅ Resource Monitoring: Monitoreo en tiempo real de CPU, memoria y disco

⚡ Instalación Rápida

1. Clonar el repositorio

git clone https://github.com/dannymaaz/easypanel-mcp
cd easypanel-mcp

2. Crear entorno virtual

# Windows
python -m venv venv
venv\Scripts\activate

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

3. Instalar dependencias

pip install -r requirements.txt

4. Configurar variables de entorno

# Copiar archivo de ejemplo
cp .env.example .env

# Editar .env con tus credenciales de EasyPanel

5. ¡Ejecutar el servidor! 🎉

# Modo stdio (para Claude Desktop, etc.)
python src/server.py

# Modo HTTP (para n8n, webhooks)
python src/server.py http

🎯 Casos de Uso Reales

✅ Agentes de Desarrollo

Usuario: "Despliega mi API Flask con PostgreSQL en producción"
IA: 🚀 Creando proyecto 'api-flask-prod'
   📦 Desplegando servicio 'postgres-db' con imagen postgres:15
   🔗 Creando red interna 'api-net' para comunicación segura
   ⚙️ Configurando servicio 'flask-api' con variables de entorno
   ✅ ¡Deploy completado! Tu API está disponible en https://api.tudominio.com

✅ Auto-Scaling Inteligente

IA (monitoreando): "Detecto un incremento del 300% en tráfico hacia el servicio worker"
IA (acción): 🔄 Escalando servicio 'worker' automáticamente
   📊 CPU usage: 95% → threshold 80% superado
   💾 Memory: 7.2GB / 8GB → threshold 90% superado
   📈 Escalando: CPU 2 → 4 cores, RAM 8GB → 16GB
   ⏱️ Tiempo de respuesta: 2.1 segundos

✅ Debugging Asistido

Usuario: "¿Por qué falla el servicio worker?"
IA: 🔍 Analizando logs del servicio 'worker'...

   📊 Service Status:
   - Status: error
   - State: crashed
   - Deployment: failed
   
   ❌ Error encontrado: ConnectionRefusedError - No se puede conectar a Redis
   📋 Últimos logs:
     - "Attempting to connect to redis:6379..."
     - "Connection timeout after 30s"
     - "Retry 1/3 failed"

   💡 Solución sugerida: El servicio Redis no está corriendo.
   Diagnóstico:
   - Redis service: stopped
   - Puerto 6379: no listening
   - Network: internal-net (OK)
   
   ¿Quieres que:
   1. Inicie el servicio 'redis-cache'?
   2. Reconfigure la conexión?
   3. Escale los recursos de Redis?

✅ Prototipado Rápido

Usuario: "Necesito un entorno de staging para probar la nueva versión"
IA: 🎨 Creando entorno de staging...
   ✅ Proyecto 'myapp-staging' creado
   ✅ Servicio 'app' desplegado con imagen myapp:v2.0.0-beta
   ✅ Base de datos 'staging_db' inicializada
   🔗 Red interna: staging-net (isolated)
   🔗 URL: https://staging.myapp.com
   ⏱️ Tiempo total: 45 segundos

✅