MCP Hub 文档

概述

MCP Hub 是一个用于创建和管理模型上下文协议（MCP）服务器和客户端的框架。它利用 uv 工具进行快速的包安装和配置管理。

为什么使用 UV？

UV 通过快速命令简化了包管理和配置。学习几个命令即可开始使用：

• 初始化项目：

  uv init
  

• 同步 Python 版本和依赖项：

  uv sync
  

更多详情，请访问 UV GitHub 仓库。

动机

要了解 MCP 的基础知识并开始创建 MCP 服务器，请参阅 MCP 快速入门服务器指南。

开始使用

如何创建一个示例 MCP 服务器

1. 创建一个新的项目目录

   uv init XYZ
   cd XYZ
   

2. 设置虚拟环境

   uv venv
   source .venv/bin/activate
   

3. 安装依赖项

   uv add "mcp[cli]" httpx
   

4. 创建服务器文件

   touch XYZ.py
   

如何运行 MCP 服务器

要运行服务器，请使用以下命令：

uv run XYZ.py

示例：创建一个新的 XYZ 服务器

按照上述步骤创建并运行一个新的 XYZ 服务器。将 XYZ 替换为你想要的项目名称。

最近更新

笔记本目录

项目中添加了 notebooks/ 目录。它包括配置文件和脚本，用于设置和运行 JupyterHub。关键文件包括：

• jupyterhub_config.py：JupyterHub 配置。
• start_jupyterhub.sh：启动 JupyterHub 服务器的脚本。

CIFAR-10 数据集下载器

在 ai/computer-vision/09_datasets/ 下添加了一个新脚本，使用 TensorFlow/Keras 下载 CIFAR-10 数据集。要使用它，请运行：

python ai/computer-vision/09_datasets/download_cifar10.py

此脚本会下载数据集并打印确认消息。

AI 文件夹

ai/ 文件夹包含与计算机视觉和人工智能相关的各种子目录和脚本。以下是其结构和内容概述：

子目录和文件

01_image_handling

• basic_manipulations.py：基本图像处理技术。
• blue_image.png：测试用的样本图像。
• hello_cv.py：演示计算机视觉基础的简单脚本。
• image_representation.py：解释计算机视觉中的图像表示。
• read_display_save.py：读取、显示和保存图像的脚本。
• README.md：该子目录的文档。

02_image_preprocessing

• augmentation.py：图像增强技术。
• normalization.py：图像归一化方法。

03_feature_extraction

• hog_extraction.py：提取方向梯度直方图（HOG）特征。
• sift_surf_extraction.py：演示 SIFT 和 SURF 特征提取。

04_basic_ml_concepts

• hog_svm_classifier.py：使用 HOG 特征和 SVM 实现分类器。

05_deep_learning_cnn

• cnn_architecture.py：定义卷积神经网络（CNN）架构。

06_image_classification

• train_classifier.py：训练图像分类器的脚本。

07_object_detection

• basic_object_detection.py：演示基本对象检测技术。

08_image_segmentation

• basic_segmentation.py：解释基本图像分割方法。

09_datasets

• download_cifar10.py：下载 CIFAR-10 数据集的脚本。

10_utils

• image_utils.py：图像处理的实用函数。

其他文件

• main.py：AI 相关脚本的入口点。
• pyproject.toml：项目的配置文件。
• README.md：ai/ 文件夹的文档。
• run.sh：执行 AI 相关任务的 shell 脚本。
• uv.lock：依赖项的锁文件。