DARPEngine

DARP的MCP搜索引擎。

[![导入：reorder-python-imports][imports-image]][imports-url] [![Pydantic v2][pydantic-image]][pydantic-url] [![pre-commit][pre-commit-image]][pre-commit-url] [![MIT许可证][license-image]][license-url]

DARPEngine存储在线托管的MCP服务器的元数据，并提供智能搜索功能。

功能

• 简单的命令行界面（CLI）
• API访问以进行搜索
• MCP工具用于手动连接时检索搜索结果
• 基于服务器的路由MCP工具：根据用户请求找到的工具回答任何问题

即将推出

• 支持 .well-known/mcp.json
• 爬虫
• 友好的前端界面
• 托管版本
• 验证不同级别的SSL证书并将这些信息智能地集成，使敏感的MCP服务器难以被冒充

安装

export OPENAI_API_KEY=sk-...
docker network create highkey_network
docker compose build
docker compose -f docker-compose.yaml -f docker-compose-debug.yaml up --build --wait

快速开始

你可以使用提供的mcp工具将DARPEngine连接到MCP客户端（例如Claude Desktop或Cursor）。只需选择SSE模式并指定http://localhost:4689/sse作为端点。

直接使用CLI

另一种方法是使用CLI。大多数脚本仅使用标准Python库，但路由工具需要mcp包，你可以这样安装脚本依赖：

conda create -n darp 'python>=3.10'
conda activate darp
pip install -r mcp_server/requirements.txt

安装完成后，我们可以使用脚本。

首先，我们需要向引擎添加一些MCP服务器，例如：

$ python scripts/darp-add.py --url http://memelabs.ai:3006/sse --name code_analysis --description "分析gitlab仓库的质量、主题和包使用情况"

然后我们可以进行请求：

$ python scripts/darp-search.py "分析 https://github.com/BenderV/autochat"
找到1个服务器：
code_analysis

你可以通过路由工具获得更有用的结果：

$ python scripts/darp-router.py "分析 https://github.com/BenderV/autochat"
assistant: [tool_calls]
[tool] ...
[tool] ...
[tool] ...
assistant:
  ### 代码质量
  AutoChat仓库中的代码在**可读性**、**可维护性**以及遵循最佳实践方面展示了良好的质量水平：

  - **可读性**：一致的命名约定明显存在，符合Python的PEP 8样式指南。描述性的函数和变量名称增强了对代码目的的理解。

  - **可维护性**：代码结构允许轻松更新和修改，通过类和处理不同功能的方法观察到明确的关注点分离。

  - **最佳实践**：广泛使用的异常处理、类型注解和文档字符串反映了Python开发的最佳实践。一些TODO注释表明了改进的空间，这表明需要进一步关注。

  ### 代码结构
  代码组织成多个文件和模块，每个都有特定的目的：

  - **模块化设计**：各种类（如`Autochat`、`Image`、`Message`）表明了一个良好的面向对象设计，促进了关注点分离，使得代码更容易导航。

  - **逻辑组织**：文件基于功能逻辑分离。例如，`chat.py`专注于聊天相关的逻辑，而`model.py`处理消息和图像处理。`utils.py`中的实用函数增强了复用性。

  - **测试**：测试文件的存在（如`tests/test_utils.py`）显示了对测试的承诺，这对代码可靠性至关重要。使用`unittest`表示了一种结构化的测试单个组件的方法。

  ### 主要功能
  代码似乎是**AutoChat包**的一部分，提供了构建对话代理的框架。主要功能包括：

  - **聊天管理**：`Autochat`类充当管理对话的主要接口，处理消息历史记录、上下文和交互限制。

  - **消息处理**：像`Message`和`MessagePart`这样的类使结构化消息创建和处理成为可能，支持不同类型的消息，包括文本和图像。

  - **功能扩展**：像`add_tool`和`add_function`这样的方法允许动态添加工具和功能，促进聊天体验的定制化。

  - **提供商集成**：不同的API提供商集成（如OpenAI、Anthropic）封装在各自的类中，允许后端通信的灵活性。

  - **实用功能**：实用函数提供了额外的能力，如CSV格式化和函数解析，支持主要的聊天操作。

  总体而言，代码库组织良好，展示了开发对话AI框架的深思熟虑的方法。还有进一步精炼和增强的空间，特别是在文档和变量名清晰度方面。

  ### 库的使用
  项目使用了**AI库**，由其与对话代理相关联的功能和与AI服务提供商的集成所指示。这支持其高效管理与AI模型互动的能力。

  ### 概述
  AutoChat项目是一个旨在与各种AI模型进行交流的聊天系统，主要通过`Autochat`类来管理对话和支持复杂的消息类型，包括文本和图像。由于与外部API的集成及其通过可扩展方法（如`add_tool`和`add_function`）处理多样互动的能力，代码具有适度的复杂性。代码质量值得称赞，具有良好的结构化模块化设计，促进了可读性和可维护性，尽管某些区域需要进一步的文档和细化，如澄清变量名和增强注释。将模型、实用程序和测试组织成单独的文件有助于开发，但实用函数可以通过更好的分类来提高清晰度。

当然，结果的有用性取决于你连接到引擎的MCP服务器。

获取帮助和支持

请随时通过讨论区联系我们。

贡献

关注我们在X上的动态：https://x.com/DARP_AI

许可证

DARPEngine代码库采用MIT许可证。

<br>

://github.com/psf/black [imports-image]: https://img.shields.io/badge/%20imports-reorder_python_imports-%231674b1?style=flat&labelColor=ef8336 [imports-url]: https://github.com/asottile/reorder-python-imports/ [pydantic-image]: https://img.shields.io/endpoint?url=https://raw.githubusercontent.com/pydantic/pydantic/main/docs/badge/v2.json [pydantic-url]: https://pydantic.dev [pre-commit-image]: https://img.shields.io/badge/pre--commit-enabled-brightgreen?logo=pre-commit&logoColor=white [pre-commit-url]: https://github.com/pre-commit/pre-commit [license-image]: https://img.shields.io/github/license/DARPAI/darp_engine [license-url]: https://opensource.org/licenses/MIT