我的人工智能服务器
项目介绍
MCP Server - 模型上下文协议API
MCP Server 是基于 FastAPI 实现的模型上下文协议 (MCP)，提供了一个标准化接口用于大语言模型与应用程序之间的交互。
功能
- 🚀 基于 FastAPI 和异步操作的高性能API
- 🔄 完整支持 MCP，包括资源、工具、提示和采样
- 📊 通过 Prometheus 和 Grafana 进行监控和指标收集
- 🧩 通过简单接口扩展新工具
- 📝 通过 GraphQL API 灵活处理数据
- 💬 支持 WebSocket 实时交互
- 🔍 通过集成 Elasticsearch 实现语义搜索
- 🗃️ 使用 Redis 缓存以提高生产力
- 📦 通过 Poetry 进行依赖管理，确保可靠的包管理
开始工作
安装
-
克隆仓库：
git clone https://github.com/yourusername/myaiserv.git cd myaiserv -
安装 Poetry（如果尚未安装）：
curl -sSL https://install.python-poetry.org | python3 - -
通过 Poetry 设置依赖：
poetry install
启动服务器
poetry run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload
或者通过工具：
just run
启动后，API 可在以下地址访问：http://localhost:8000
API 文档
- Swagger UI: http://localhost:8000/docs
- ReDoc: http://localhost:8000/redoc
- GraphQL Playground: http://localhost:8000/graphql
项目结构
myaiserv/
├── app/
│ ├── core/ # MCP 基础组件
│ │ ├── base_mcp.py # MCP 抽象类
│ │ └── base_sampling.py # 采样基础类
│ ├── models/ # Pydantic 模型
│ │ ├── mcp.py # MCP 数据模型
│ │ └── graphql.py # GraphQL 模式
│ ├── services/ # 业务逻辑
│ │ └── mcp_service.py # MCP 服务
│ ├── storage/ # 数据存储
│ ├── tools/ # MCP 工具
│ │ ├── example_tool.py # 工具示例
│ │ └── text_processor.py # 文本处理工具
│ ├── utils/ # 工具库
│ └── main.py # FastAPI 入口点
├── app/tests/ # 测试
├── docs/ # 文档
│ └── MCP_API.md # API 描述
├── pyproject.toml # Poetry 和工具配置
└── .justfile # just 工具任务
可用工具
文件系统工具
用于文件系统操作的工具，支持读取、写入、删除和列出文件的操作。
curl -X POST "http://localhost:8000/tools/file_operations" \
-H "Content-Type: application/json" \
-d '{"operation": "list", "path": "."}'
天气工具
根据坐标获取天气数据的工具。
curl -X POST "http://localhost:8000/tools/weather" \
-H "Content-Type: application/json" \
-d '{"latitude": 37.7749, "longitude": -122.4194}'
文本分析工具
用于文本分析的工具，包括情感分析和总结。
curl -X POST "http://localhost:8000/tools/text_analysis" \
-H "Content-Type: application/json" \
-d '{"text": "Example text for analysis", "analysis_type": "sentiment"}'
文本处理器工具
用于文本处理的工具，包括格式化、统计计算、实体提取。
curl -X POST "http://localhost:8000/tools/text_processor" \
-H "Content-Type: application/json" \
-d '{"operation": "statistics", "text": "Example text", "stat_options": ["chars", "words"]}'
图像处理工具
支持调整大小、裁剪和应用滤镜的图像处理工具。
curl -X POST "http://localhost:8000/tools/image_processing" \
-H "Content-Type: application/json" \
-d '{"operation": "resize", "image_data": "base64...", "params": {"width": 800, "height": 600}}'
WebSocket API
连接到 WebSocket API：
const socket = new WebSocket("ws://localhost:8000/ws");
socket.onopen = () => {
socket.send(JSON.stringify({
type: "initialize",
id: "my-request-id"
}));
};
socket.onmessage = (event) => {
const data = JSON.parse(event.data);
console.log("Received:", data);
};
GraphQL API
通过 GraphQL 的查询示例：
# 获取所有工具的列表
query {
getTools {
name
description
}
}
# 执行工具
mutation {
executeTool(input: {
name: "text_processor",
parameters: {
operation: "statistics",
text: "Example text for analysis"
}
}) {
content {
type
text
}
is_error
}
}
运行测试
运行测试使用 Poetry：
poetry run pytest
或者通过工具：
just test
Docker
通过 Docker Compose 安装和运行
docker compose up -d
启动单独的服务：
docker compose up -d web redis elasticsearch
与 LLM 集成
MCP Server 提供了与各种供应商的大语言模型集成的标准接口：
import httpx
async def query_mcp_with_llm(prompt: str):
async with httpx.AsyncClient() as client:
# 向 MCP 请求获取上下文和工具
tools_response = await client.get("http://localhost:8000/tools")
tools = tools_response.json()["tools"]
# 向 LLM 发送请求，包含 MCP 上下文
llm_response = await client.post(
"https://api.example-llm.com/v1/chat",
json={
"messages": [
{"role": "system", "content": "You have access to the following tools:"},
{"role": "user", "content": prompt}
],
"tools": tools,
"tool_choice": "auto"
}
)
return llm_response.json()
监控和指标
MCP Server 提供每个端点的 Prometheus 指标 /metrics，指标包括：
- 每个工具的请求次数
- 请求执行时间
- 错误和异常
开发
对于代码格式化和 linter 检查：
just fmt
just lint