Graftcode Impact Program: 이 프로젝트는 Graftcode Impact Program에 참여하도록 승인되었습니다. 파이썬 서비스 (작물 연구 및 개발 파이프라인) 직접 호출 TypeScript 대시보드 및 Graftcode를 통해 노드 스크립트, ** REST 레이어 **: FastAPI 경로 없음, Pydantic DTOs 없음, 손 쓰기 클라이언트 없음.

HTTP 어댑터가 없습니다. 브라우저는 생성 된 Graft를 가져와 게이트웨이에 대화합니다. 직접. MCP는 게이트웨이의 내장 엔드포인트이며 별도의 브리지가 아닙니다.

그것은 Wayzyy의 내용 엔진을 위해 건축되었습니다. ** 당신은 그 필요가 없습니다 이 repo를 실행하기 위하여 파이프라인: ** 그것 없이 수신기는 묶인 표본 자료에 demo mode에서 실행합니다.

어떻게 조각이 함께 적합

구현 비디오 MCPUSE

저장소에는 하나의 파이썬 서비스 및 여러 가지 방법이 있습니다. 대시보드 및 노드 클라이언트는 WebSocket을 통해 생성 된 Graft를 사용합니다. MCP 호환 클라이언트는 Gateway의 사용 내장 HTTP 엔드포인트. 모두 같은 공개 Python 메소드에 도달합니다.

중요한 경계는 Python 서비스입니다. UI, 스크립트 및 AI 조수는 클라이언트입니다. 콘텐츠 로직의 별도 사본보다 동일한 서비스.

콘텐츠 워크플로우

Python ↔ TypeScript with Graftcode: a content-pipeline demo

Graftcode Impact Programme: this project is approved for participation in the Graftcode Impact Programme. A Python service (an article-research-and-drafting pipeline) called directly from a TypeScript dashboard and a Node script through Graftcode, with no REST layer: no FastAPI routes, no Pydantic DTOs, no hand-written fetch client.

 Browser (React) ── generated Graft ── WebSocket ─┐
 Node test script ─ generated Graft ──────────────┤
                                                  ▼
 Claude / Cursor ── MCP over HTTP ──────►  Graftcode Gateway ─► ArticlePipelineService (Python)
                                           :8080 ws · :8081 /mcp   plain public methods

There is no HTTP adapter: the browser imports the generated Graft and talks to the Gateway directly. MCP is the Gateway’s built-in endpoint, not a separate bridge.

It was built for Wayzyy’s content engine. You do not need that pipeline to run this repo: without it the receiver runs in demo mode on bundled sample data.

How the pieces fit together

Implementation video MCPUSE

The repository has one Python service and several ways to use it. The dashboard and Node client use the generated Graft over WebSocket; MCP-compatible clients use the Gateway’s built-in HTTP endpoint. They all reach the same public Python methods.

flowchart LR
    A[React dashboard] -->|generated GraftWebSocket :8080| G[Graftcode Gateway]
    B[Node.js client] -->|generated GraftWebSocket :8080| G
    C[Claude / Cursor] -->|MCP over HTTP/mcp :8081| G
    G --> S[ArticlePipelineServiceplain Python methods]
    S --> D[(Topics and drafts)]
    S --> P[Optional real pipelineresearch, writing, publishing]

The important boundary is the Python service. The UI, scripts, and AI assistants are clients of the same service rather than separate copies of the content logic.

The content workflow

The demo models an editorial workflow from an idea to a reviewable change. Sources and rules inform the draft, while the human review step remains the publishing gate.

flowchart LR
    I[Topic queue] --> R[RSS and web research]
    I --> K[Keyword research]
    R --> O[Outline]
    K --> O
    B[Existing blog] --> L[Style and rulebook]
    L --> O
    O --> W[Write draft]
    W --> E[SEO and style checks]
    E --> H{Human review}
    H -->|needs changes| W
    H -->|approved| PR[Stage GitHub PR]
    H -->|approved| X[Optional publisher]

The bundled receiver runs this flow in demo mode with sample data. Attaching the real article pipeline replaces the sample sources and placeholder writer with the project’s live research, LLM, and publishing integrations.

For the expanded diagrams and demo notes, see docs/architecture.md.