Zarządzanie infrastrukturą Cloudflare bezpośrednio z czatu AI
Ile razy dziennie przełączasz się między edytorem kodu, panelem Cloudflare a oknem czatu AI? Typowy przepływ pracy wygląda tak: worker się zawiesza, otwierasz logi w konsoli, kopiujesz stack trace, wklejasz do Claude lub Cursor, otrzymujesz poradę, wracasz i naprawiasz konfigurację.
Inżynierowie Cloudflare udostępnili repozytorium cloudflare/mcp-server-cloudflare jako open source. To zbiór zdalnych serwerów wykorzystujących Model Context Protocol (MCP), które łączą Twoje środowisko deweloperskie lub ulubionego asystenta AI bezpośrednio z usługami platformy.
Główna koncepcja
Protokół MCP standaryzuje transfer kontekstu i wywoływanie zewnętrznych narzędzi przez duże modele językowe. Zamiast ręcznie gromadzić dane z różnych kart przeglądarki, zapewniasz LLM dostęp do dedykowanego interfejsu. Model odczytuje bieżącą konfigurację konta, analizuje logi, sugeruje poprawki i w razie potrzeby je stosuje.
W przeciwieństwie do jednego monolitycznego rozwiązania, to repozytorium zawiera zestaw wyspecjalizowanych serwerów dla określonych zadań.
Co zawiera repozytorium
Deweloperzy podzielili możliwości Cloudflare na izolowane mikrousługi. Każda z nich obsługuje swój własny obszar odpowiedzialności:
- Dokumentacja (
docs-ai-search). Znajdowanie aktualnych informacji o API i produktach bez złudzeń modelu. - Zarządzanie workerami (
workers-bindingsiworkers-builds). Konfigurowanie połączeń do baz danych, KV storage, R2, indeksów wektorowych oraz śledzenie statusu buildów. - Obserwowalność (
workers-observabilityilogpush). Przeszukiwanie logów aplikacji, analiza błędów i monitorowanie zadań dostarczania logów w tle. - Przeglądarka w piaskownicy (
browser-rendering). Ładowanie stron internetowych, konwertowanie ich do Markdown i tworzenie zrzutów ekranu na bieżąco. - Analityka i bezpieczeństwo (
dns-analytics,auditlogs,radar,cloudflare-one-casb). Analiza wydajności DNS, audyt akcji użytkowników i dostęp do globalnych statystyk ruchu internetowego.
Dwa podejścia do integracji
Cloudflare ma dwa repozytoria z serwerami MCP i łatwo się tu pogubić.
Pierwsza opcja znajduje się w repozytorium cloudflare/mcp. To tak zwany serwer Code Mode (mcp.cloudflare.com). Zapewnia modelowi dostęp do pełnego spektrum API poprzez generowanie i wykonywanie kodu. Odpowiedni, gdy potrzebujesz szerokiego pokrycia wielu usług na raz.
Druga opcja jest zgromadzona tutaj, w cloudflare/mcp-server-cloudflare. To zestaw typowanych narzędzi dla określonych domen. Są wygodniejsze w użyciu podczas rozwiązywania konkretnego zadania: na przykład optymalizacji DNS czy konfiguracji monitoringu workerów. Model otrzymuje ścisłe schematy wywołań funkcji i popełnia mniej błędów parametrów.
Jak to działa technicznie
Wszystkie serwery działają w trybie Streamable HTTP przez punkty końcowe /mcp. Nie trzeba ich wdrażać lokalnie przez Docker czy Node.js — są już hostowane na infrastrukturze Cloudflare:
https://docs.mcp.cloudflare.com/mcp
https://observability.mcp.cloudflare.com/mcp
https://bindings.mcp.cloudflare.com/mcp
https://browser.mcp.cloudflare.com/mcp
Żądania nie wymagają utrwalania stanu sesji po stronie serwera. Uwierzytelnianie, tokeny i kontekst są przekazywane w ramach konkretnych wywołań.
Jeśli chcesz połączyć taki serwer z OpenAI Responses API, musisz utworzyć token z odpowiednimi uprawnieniami w panelu Cloudflare.
Aby pracować z desktopowym klientem Claude lub Cursor, wystarczy dodać wymagany URL do konfiguracji klienta MCP.
Niuansy i ograniczenia
Przy aktywnej pracy warto pamiętać o kilku kwestiach:
- Przepełnienie kontekstu. Jeśli asystent zacznie łączyć ciężkie wywołania narzędzi (szczególnie podczas przeszukiwania dużych wolumenów logów na serwerze obserwowalności), Claude może zwrócić błąd
Claude's response was interrupted.... Żądania lepiej formułować precyzyjnie, a złożone dochodzenia dzielić na osobne kroki. - Płatne plany. Niektóre funkcje, jak Browser Rendering czy zaawansowane logi, wymagają płatnej subskrypcji Workers Paid.
Jeśli intensywnie korzystasz z infrastruktury Cloudflare i już używasz asystentów AI do pisania kodu, połączenie tych punktów końcowych zdecydowanie jest warte zachodu. Najłatwiejszy sposób na start to dokumentacja i wyszukiwanie logów: od razu eliminuje to rutynowe przełączanie kart. Pełne zarządzanie zasobami przez czat wymaga ostrożnej obsługi tokenów, ale przy codziennym debugowaniu ta kombinacja jest bardzo wygodna.
Powiązane projekty