MCP Try: AI vs Human 工作信号服务器

✦ 愿景

构建一个轻量级的模型上下文协议（MCP）服务器，帮助工具流水线识别并证明工作是由AI系统还是人类完成的。此仓库是更丰富来源信号的基础。

✦ 技术栈亮点

• 从 cmd/server 委托到内部包的 Go HTTP 服务器
• 在 internal/mcp 下的 JSON-RPC 2.0 层以保持与MCP兼容
• 插件式工具注册表（internal/tools）用于来源启发式算法
• 在 / 处的 HTTP 路由器用于健康检查，在 /mcp 处用于合同流量

✦ 快速开始

go mod tidy
go run .

服务器在 http://localhost:3000 启动。

开发时运行

go run ./cmd/server

服务器记录传入的方法调用，并在致命错误时退出，以保持反馈循环紧密。

✦ MCP 合同

方法	描述	结果骨架
tools/list	列出可用的来源工具	{ tools: [{ name: "echo", ... }] }
tools/call	回声提交的文本以测试连接	{ result: { output: { text: "<input>" } } }

示例 JSON-RPC 交换

{
  "jsonrpc": "2.0",
  "id": "req-42",
  "method": "tools/call",
  "params": {
    "tool": "analyze_origin",
    "input": {
      "text": "由ChatGPT 4o准备的草稿",
      "source_hint": "slack导出"
    }
  }
}

响应（截断）：

{
  "result": {
    "output": {
      "origin": "ai_system",
      "confidence": 0.9,
      "explanation": "检测到对AI模型令牌的明确引用。",
      "timestamp": "..."
    }
  }
}

✦ 目录映射

路径	目的
cmd/server	注册工具并启动HTTP监听器的入口点
internal/httpserver	HTTP路由器+服务器引导程序，连接 / 和 /mcp 路由
internal/mcp	JSON-RPC解析、方法分派、错误响应
internal/tools	注册表、默认回声工具及来源启发式算法

✦ 工具目录

工具	文件	描述
dummy_echo	internal/tools/dummy.go	循环输入负载返回给客户端进行流水线烟雾测试
analyze_origin	internal/tools/analyze_origin.go	简单的字符串启发式来源检测器，带有置信度和解释

通过 tools.Register(...) 添加自己的工具，它们将自动流经 tools/list 和 tools/call。

✦ 发展路线亮点

1. 扩展启发式算法，超越关键词检测（风格、节奏、元数据）
2. 使用签名证明持久化来源元数据
3. 通过仪表板或下游API暴露来源摘要

✦ 贡献指南

1. 分叉&分支：git checkout -b feature/<name>
2. 保持函数小、可观测且类型良好
3. 当逻辑增长时，为新工具或处理器添加单元覆盖
4. 打开PR并附带关于AI/人类启发式的说明

✦ 学习资源

• Go.dev 学习
• Go之旅
• Go示例
• Go模块参考
• 模型上下文协议规范

---

使用清晰优先的Go模式构建，以建立值得信赖的MCP生态系统。