多聊-MCP服务器
项目介绍
多聊天平台 MCP 服务器（包含 Google 聊天）
<div align="center"> <p style="background-color: #f8f9fa; padding: 15px; border-radius: 5px; border-left: 5px solid #4285f4; max-width: 800px; margin: 0 auto;"> <strong>🔥 独特功能：</strong> 使用单一 AI 助手同时运行<strong>多个聊天提供商</strong>！<br> 您的 AI 可以与 Google 聊天、Slack、Teams 和更多平台进行交互——全部同时进行。<br> 例如：“将此更新分享给 Slack 和 Google 聊天团队”<br> <a href="#running-multiple-chat-providers-simultaneously">➡️ 了解更多关于多提供商能力</a> </p> </div> <div align="center"> <h3>多聊天平台 MCP 服务器是一个开源的 Python 框架，用于构建 AI 驱动的聊天集成。内置完整的 Google 聊天支持。</h3> <p> <strong>关键词：</strong> Google 聊天 MCP • MCP 服务器实现 • AI 聊天集成 • Google Workspace 自动化 • 团队协作 AI </p> </div>🎯 Google 聊天 MCP 服务器是什么？
Google 聊天 MCP 服务器 是一个开源的、生产就绪的 模型控制协议（MCP）服务器，旨在与 Google 聊天集成的 AI 助手。该项目采用可扩展的 多提供商架构，为 AI 助手与团队聊天平台的集成提供了一个强大的基础。
🏢 为企业安全和隐私而设计
重要安全提示： 此工具仅设计用于本地组织使用。我们强烈建议使用组织提供的本地 LLM 实例或您本地安装的 LLM 代理模型，而不是基于云的 LLM 模型，以完全控制您的团队聊天数据和通信。
为什么选择本地/内部部署：
- 数据隐私：将敏感的团队对话保留在组织内
- 安全合规性：满足企业安全和合规性要求
- 全面控制：对数据流和访问进行全面监督
- 自定义策略：实施特定于组织的安全措施
虽然任何人都可以调整此工具以适应其特定用例，但它是以企业安全为优先设计的。
当前实现状态
- ✅ Google 聊天提供商 - 生产就绪，具有全面的 API 支持
- 🔄 Slack 提供商 - 计划中（欢迎贡献）
- 📝 Microsoft Teams 提供商 - 计划中（欢迎贡献）
关键功能：所有提供商都可以通过统一界面同时运行，使您的 AI 助手能够无缝地在多个聊天平台上工作。了解更多关于这一强大功能。
🧭 项目背后的故事
我们甚至看到了针对 Google 聊天的开源 MCP 服务器——但对于 Microsoft Teams 或 Slack，无论是官方还是开源，都不确定。然而，即使这些存在的工具在实际应用中也表现不佳。它们提供的功能有限，无法处理像这个项目展示的全上下文工作流程。
这个多提供商 MCP 框架源于开发团队在日常工作中尝试利用 AI 助手时所经历的真实挫败感。
原始问题
想象一下这种场景：你在调试一个复杂的问题，你的 AI 助手提出了一个解决方案，但你需要检查你的队友是否遇到过类似的情况。你切换到 Google 聊天，滚动数百条消息，复制粘贴错误日志，等待回复，然后手动将解决方案传达回你的 AI 助手。
这种不断切换上下文的行为破坏了高效 AI 辅助开发的流程。
转折点
在一个关键的生产事件中，一名开发者花了 30 分钟手动在 Claude（通过 Cursor）和团队的 Google 聊天空间之间传递信息。AI 具有帮助的技术知识，团队具有情境经验。 但是没有桥梁连接这两个知识来源。
那时我们意识到：
AI 助手需要成为团队协作的一部分——而不仅仅是孤立的工具。
我们的解决方案：
- 无缝集成：AI 助手成为团队聊天中的活跃参与者
- 上下文感知：AI 可以搜索团队历史记录以查找相似的问题和解决方案
- 协作解决问题：AI 可以与团队共享问题并实施他们的建议
- 知识桥接：连接 AI 技术知识与团队的经验知识
🎯 为开发者扩展性而设计
🏗️ 模块化提供商架构
每个聊天平台都作为独立模块实现：
src/providers/
├── google_chat/ # ✅ 完整实现
├── slack/ # 📋 框架准备实现
└── teams/ # 📋 框架准备实现
👥 这是为谁设计的？
此项目主要面向以下两个受众群体：
🛠️ 1. 组织内的开发人员
如果你是使用 Google 聊天 的团队中的开发人员，并且希望将你的 AI IDE（如 Cursor、CodeWhisperer 或 Copilot Chat） 与团队对话集成——这个 MCP 客户端将为你节省数小时的时间。 无需手动复制日志、检查上下文或等待某人看到你的问题。 现在，你的 AI 代理可以直接：
- 在聊天历史记录中搜索相关过去的讨论
- 自动分享代码片段或错误日志
- 接收回复并将其转换为可操作的修复
- 概述正在进行的团队活动
- 从共享空间获取缺失的配置/脚本
💡 2. 开源贡献者及 AI 平台构建者
如果你正在构建 AI 驱动的工具、IDE 集成或内部助手——这是你开始构建多提供商 MCP 架构的地方。 你可以分叉此项目来：
- 扩展对 Slack、Microsoft Teams 或 自定义消息平台 的支持
- 在 MCP 上构建自己的自定义 AI 工作流
🧩 Google 聊天 MCP 服务器 – 真实使用案例展示
这些演示展示了如何通过这个 MCP 服务器，AI 助手从被动工具转变为积极的合作者——调试问题、协调团队、同步脚本，并主动解除开发者的阻塞。
🛠️ 工具设置与初始化
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_google_chat_mcp_tools_registered_with_mcp_client.png" width="80%" alt="场景 1：工具注册到 Google 聊天"/> <p><i><strong>场景 1：工具注册到 Google 聊天</strong></i></p> </div>场景：将 MCP 客户端连接到 Google 聊天。
发生了什么：AI 助手被授予访问所有 Google 聊天工具（例如发送、搜索、总结、附加、回复）的权限。
为什么重要：助手现在可以在 Google 聊天中“行动”，而不仅仅是观察。
🧯 调试与解决（Docker 示例）
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_i_asked_mcp_client_to_share_my_error_along_with_logs_to_get_help_from_my_team.png" width="80%" alt="场景 2：向团队广播错误"/> <p><i><strong>场景 2：向团队广播错误</strong></i></p> </div>发生了什么：开发人员请求 AI 将 Docker 错误日志发布到聊天中，以获得实时团队帮助。
<div align="center"> <img src="google_chat_mcp_client_demo_images/proof_that_team_member_replied_with_instructions_to_fix_the_errors_i_shared.png" width="80%" alt="场景 3：收到团队成员的修复建议"/> <p><i><strong>场景 3：团队回应并提供修复建议</strong></i></p> </div>下一步：一位团队成员回复了 Dockerfile 的修复建议（COPY requirements.txt .）。
自动化时刻：AI 助手根据建议编辑了 Dockerfile——无需手动操作。
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_mcp_client_properly_followed_my_team_member_instructions_for_the_concern_i_shared.png" width="80%" alt="场景 5：验证修复"/> <p><i><strong>场景 5：验证修复</strong></i></p> </div>总结：它验证了更改，确认 requirements.txt 存在——并且错误应该已解决。
📦 依赖项与脚本同步
<div align="center"> <img src="google_chat_mcp_client_demo_images/proof_that_mcp_client_again_3rd_time_properly_assisted_the_concern_i_asked_to_then_it_properly_provided_my_local_latest_requirements_file_to_someone_who_facing_the_issues_with_requirements.png" width="80%" alt="场景 6：分享 requirements.txt"/> <p><i><strong>场景 6：分享 `requirements.txt`</strong></i></p> </div>场景：我请求我的团队分享一个工作的 requirements.txt。
响应：我的一位团队成员分享了他们工作的 requirements.txt。
开发人员视角：AI 审查了线程，并根据我的指示，更新了我的本地 requirements.txt 文件。
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_i_asked_my_team_to_share_aws-setup.sh_scrip_in_google_chat_space.png" width="80%" alt="场景 8：请求 AWS 设置脚本"/> <p><i><strong>场景 8：请求 AWS 设置脚本</strong></i></p> </div>
场景：你请求团队分享 aws-setup.sh 脚本。
开发人员视角：AI 审查了线程，并根据我的指示，比较了团队的脚本与本地版本——确保你处于同步状态。
👀 团队协调与更新
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_i_asked_to_summarize_my_team_space_today_about_what_is_hapening_like_a_quick_updates.png" width="80%" alt="场景 10：总结团队活动"/> <p><i><strong>场景 10：总结团队活动</strong></i></p> </div>背景：你已经离开了一段时间。有什么新的吗？
AI 响应：助手总结了你所在空间的关键活动：问题、PR、共享文件、阻碍。
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_mcp_client(cursor)_get_my_mentions_from_team_chat_space.png" width="80%" alt="场景 11：跟进提及"/> <p><i><strong>场景 11：跟进提及</strong></i></p> </div>错过回复了吗？ AI 扫描所有提及，并显示你被标记的对话。
🔍 从团队聊天上下文中进行 AI 驱动的问题解决
<div align="center"> <img src="google_chat_mcp_client_demo_images/how_mcp_client_again_search_for_any_concerns_in_our_chat_space_related_to_our_project_specifically_to_assist_them_and_well_it_understand_the_concerns_and_assist_them.png" width="80%" alt="场景 12：AI 扫描团队聊天以查找问题"/> <p><i><strong>场景 12：AI 扫描团队聊天以查找问题</strong></i></p> </div>场景：开发人员明确请求 AI 助手帮助解决团队在聊天空间中提到的开放问题。
发生了什么：AI 扫描最近的聊天消息，识别技术问题、缺少的文件以及与项目相关的潜在阻碍，并准备协助。
开发人员视角：代理不仅具有反应性——它理解团队上下文，并能在被提示时搜索未解决的问题。
<div align="center"> <img src="google_chat_mcp_client_demo_images/proof_that_mcp_client_properly_assisted_the_concern_i_asked_to.png" width="80%" alt="场景 13：AI 找到了丢失的文件路径"/> <p><i><strong>场景 13：AI 找到了丢失的文件路径</strong></i></p> </div>示例用例：一位团队成员提到他们找不到 ReviewForm.js。
AI 响应：代理搜索本地仓库，找到正确的路径，并直接在聊天线程中回复。
为什么重要：无需等待某人回复，AI 助手可以实时准确地回答，了解仓库情况——加快入职和协作速度。
🚀 快速入门：Google 聊天 MCP 服务器设置
预备条件
- Python 3.9+
- UV 包管理器（推荐）
- Google Cloud 项目，启用 Google 聊天 API
- MCP 客户端（Claude Desktop、Cursor 或其他兼容 MCP 的 AI 助手）
第一步：安装
# 克隆存储库
git clone https://github.com/siva010928/multi-chat-mcp-server.git
cd multi-chat-mcp-server
# 安装依赖
uv venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
uv pip install -r requirements.txt
第二步：Google 聊天认证设置
# 设置 Google 聊天 API 凭证
# 1. 创建 Google Cloud 项目
# 2. 启用 Google 聊天 API
# 3. 在 Google 聊天 API 仪表板中，打开**配置**标签并完成应用程序设置（应用名称、徽标等）。*API 在此步骤完成之前会拒绝请求。*
# 4. 将 credentials.json 下载到 src/providers/google_chat/
# 运行认证
python -m src.server --provider google_chat -local-auth
第三步：连接到您的 AI 助手
对于 Cursor + Claude 集成，请参阅我们的详细 Google 聊天 MCP Cursor 集成指南。
对于其他 MCP 客户端，请添加以下配置：
{
"mcpServers": {
"google_chat_mcp": {
"command": "uv",
"args": [
"--directory", "/path/to/multi-chat-mcp-server",
"run", "-m", "src.server",
"--provider", "google_chat"
]
}
}
}
📖 详细的设置文档
有关包括 Google Cloud 配置、OAuth 设置和故障排除在内的综合设置说明，请参阅我们的**完整的 Google 聊天 MCP 设置指南** - 该详细实施指南涵盖：
- Google Cloud 项目设置和 API 启用
- OAuth 2.0 配置和最佳安全实践
- 逐步认证流程
- 常见设置问题及其解决方案
Google 聊天工具支持（将扩展）
使用以下工具与 Google 聊天互动。每个工具包括其源文件和参数。
🧭 空间管理
get_chat_spaces_tool– 列出空间manage_space_members_tool– 添加/移除成员get_conversation_participants_tool– 获取空间参与者summarize_conversation_tool– 摘要对话
💬 消息
send_message_tool– 发送消息reply_to_message_thread_tool– 在线程中回复update_chat_message_tool– 更新消息delete_chat_message_tool– 删除消息
😀 互动
add_emoji_reaction_tool– 对消息做出反应get_chat_message_tool– 获取消息详情
🔍 搜索与过滤
search_messages_tool– 搜索消息get_my_mentions_tool– 查找提及
👤 用户信息
get_my_user_info_tool– 您的个人资料get_user_info_by_id_tool– 根据 ID 获取用户信息get_message_with_sender_info_tool– 包含发件人信息的消息list_messages_with_sender_info_tool– 列出包含发件人信息的消息
📎 文件处理
upload_attachment_tool– 上传附件send_file_message_tool– 发送文件内容send_file_content_tool– 发送格式化的文件内容
📦 批量操作
batch_send_messages_tool– 发送多条消息
📁 *源文件位于