JinDaGe - adc_mcp_project MCP Details

article

README

🚀 MCP企业AI助手系统

这是一个基于综合模型上下文协议（MCP）的AI应用程序，具备智能服务器选择、专业AI工具和美观的Web界面，可用于企业级文本分析、代码审查、情感分析和知识管理。

✨ 主要特性

🏗️ 真正的MCP（模型上下文协议）实现

📋 JSON - RPC 2.0协议：完全符合JSON - RPC 2.0规范
🔍 MCP初始化握手：进行正确的服务器能力协商
🔄 标准MCP方法：initialize、tools/list、tools/call、resources/list
⚡ WebSocket传输：按照MCP规范建立持久连接
🎯 工具模式合规性：工具定义采用正确的inputSchema格式

🚀 AI驱动的企业特性

🧠 智能服务器选择：基于上下文通过AI路由到合适的服务器
📝 文本分析：AI摘要、实体提取和分类
🔍 代码审查：自动进行质量分析、错误检测和改进建议
😊 情感分析：高级情感检测和情感评分
📚 知识管理：文档问答和信息检索
🎨 精美Web界面：专业界面，结构化展示结果
🔧 可配置AI模型：支持Ollama（本地）和Azure OpenAI

🏗️ 系统架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Web前端       │────│   Flask应用     │────│   MCP主机       │
│   (HTML/JS/CSS) │    │   (Web服务器)   │    │ (AI协调器)      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                                        │
                                               ┌─────────────────┐
                                               │   MCP客户端     │
                                               │ (通信模块)      │
                                               └─────────────────┘
                                                        │
        ┌───────────────────┬───────────────────┬───────────────────┬───────────────────┐
        │                   │                   │                   │                   │
┌───────▼────────┐ ┌────────▼────────┐ ┌───────▼────────┐ ┌────────▼────────┐
│ 文本分析服务器 │ │ 代码审查服务器  │ │ 情感分析服务器 │ │ 知识管理服务器 │
│   端口: 8001   │ │   端口: 8002    │ │   端口: 8003   │ │   端口: 8004    │
└────────────────┘ └─────────────────┘ └────────────────┘ └─────────────────┘

📦 安装指南

1. Python安装

需要Python 3.8或更高版本
下载地址：https://python.org/downloads/
验证安装：python --version 或 py --version

2. Ollama安装与设置

安装Ollama

下载Ollama：访问https://ollama.ai/download
根据操作系统安装：
- Windows：下载并运行安装程序
- macOS：brew install ollama
- Linux：curl -fsSL https://ollama.ai/install.sh | sh

下载所需的AI模型

# 下载Llama 3.2 3B模型（本项目推荐）
ollama pull llama3.2:3b

# 验证模型是否安装
ollama list

启动Ollama服务

# 启动Ollama服务（保持运行）
ollama serve

3. Git安装（用于克隆仓库）

下载地址：https://git-scm.com/downloads
验证：git --version

步骤1：克隆仓库

git clone https://github.com/harunraseed07/ADC_MCP_Project.git
cd ADC_MCP_Project

步骤2：安装Python依赖项

# 安装所需的包
pip install -r requirements.txt

步骤3：验证Ollama模型

# 确保llama3.2:3b可用
ollama list

# 如果未安装，下载它
ollama pull llama3.2:3b

步骤4：配置系统

系统已预先配置为使用：

AI提供商：Ollama（本地）
模型：llama3.2:3b
端口：MCP服务器使用8001 - 8004，Web界面使用5000

配置文件位于config/目录中。

🚀 快速开始

方法1：自动启动（推荐）

# 启动所有服务器和Web应用程序（Windows）
start_demo_system.bat

# 对于PowerShell
./start_demo_system.bat

方法2：手动启动

# 终端1：启动文本分析服务器
python -m mcp_servers.text_analysis_server

# 终端2：启动代码审查服务器
python -m mcp_servers.code_review_server

# 终端3：启动情感分析服务器
python -m mcp_servers.sentiment_analysis_server

# 终端4：启动知识管理服务器
python -m mcp_servers.knowledge_server

# 终端5：启动Web应用程序
python web_app/app.py

步骤5：访问应用程序

打开浏览器
访问：http://localhost:5000
开始与AI助手交互！

💻 使用示例

文本分析

"Summarize this text: [你的文本内容]"
"Extract entities from: [你的文本]"
"Classify this content: [你的内容]"

代码审查

"Review this Python code: def function_name():"
"Check this JavaScript for bugs: [你的代码]"
"Analyze code quality: [你的代码]"

情感分析

"Analyze sentiment: I love this product!"
"What's the emotion in: [你的文本]"
"Sentiment of customer feedback: [反馈内容]"

知识管理

"Search for information about: [主题]"
"What do you know about: [主题]"
"Find documents related to: [查询内容]"

📚 详细文档

JSON - RPC 2.0合规性

所有通信遵循JSON - RPC 2.0规范：

{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
        "name": "summarize_text",
        "arguments": {"text": "你的文本内容"}
    }
}

MCP标准方法

initialize：服务器能力握手
tools/list：获取可用工具及其模式
tools/call：使用参数执行工具
resources/list：列出可用资源
resources/read：读取资源内容

工具模式格式

{
    "name": "summarize_text",
    "description": "AI驱动的文本摘要",
    "inputSchema": {
        "type": "object",
        "properties": {
            "text": {
                "type": "string",
                "description": "要摘要的文本"
            }
        },
        "required": ["text"]
    }
}

🔧 技术细节

AI模型配置

编辑config/mcp_config.json：

{
    "ai_provider": "ollama",
    "ai_model": "llama3.2:3b",
    "ai_base_url": "http://localhost:11434"
}

服务器端口

文本分析：8001
代码审查：8002
情感分析：8003
知识管理：8004
Web界面：5000

🛠️ 故障排除

常见问题

“Ollama未找到”错误

# 确保Ollama正在运行
ollama serve

“模型未找到”错误

# 下载所需的模型
ollama pull llama3.2:3b

端口已被使用

# 检查哪些进程正在使用端口
netstat -ano | findstr :8001
# 如果需要，终止进程
kill_all_servers.bat

Python模块未找到

# 重新安装依赖项
pip install -r requirements.txt

实用脚本

check_ports.bat - 检查哪些端口正在使用
kill_all_servers.bat - 停止所有正在运行的服务器
start_demo_system.bat - 启动整个系统

🎓 工作坊活动

活动1：基础设置（15分钟）

安装先决条件（Python、Ollama）
下载llama3.2:3b模型
克隆并设置项目
启动系统并验证其是否正常工作

活动2：理解MCP（20分钟）

探索系统架构
研究AI路由的工作原理
测试不同类型的查询
观察服务器选择逻辑

活动3：定制（25分钟）

修改服务器响应
添加新的AI工具
定制Web界面
尝试不同的AI模型

活动4：高级功能（20分钟）

实现自定义服务器逻辑
添加新的MCP服务器
集成外部API
部署到生产环境

📁 项目结构

ADC_MCP_Project/
├── mcp_servers/           # MCP服务器实现
│   ├── text_analysis_server.py
│   ├── code_review_server.py
│   ├── sentiment_analysis_server.py
│   └── knowledge_server.py
├── mcp_client/            # 用于通信的MCP客户端
│   └── client.py
├── mcp_host/              # AI驱动的MCP主机
│   ├── host.py
│   └── ai_models.py
├── web_app/               # Flask Web应用程序
│   ├── app.py
│   ├── templates/
│   └── static/
├── config/                # 配置文件
│   └── mcp_config.json
├── scripts/               # 实用脚本
└── requirements.txt       # Python依赖项

🤝 贡献指南

分叉仓库
创建功能分支：git checkout -b feature-name
进行更改
彻底测试
提交拉取请求

代码风格

遵循Python代码的PEP 8规范
使用有意义的变量和函数名
为类和函数添加文档字符串
注释复杂逻辑

📄 许可证

本项目遵循MIT许可证 - 详情请参阅LICENSE文件。

🆘 支持

问题反馈：通过GitHub Issues报告错误和请求功能
文档查阅：查看项目文件获取详细指南
社区交流：加入讨论以获取帮助和协作

🎉 致谢

基于模型上下文协议（MCP）框架构建
由Ollama和Llama 3.2 AI模型提供支持
受企业AI自动化需求启发

编码愉快！🚀 准备好探索AI驱动的企业应用程序的未来！

性能

资源使用

内存：约200 - 500MB（取决于AI模型）
CPU：低（AI推理时会有峰值）
网络：最小（本地WebSocket通信）

可扩展性

每个服务器可以处理多个并发连接
常见查询的AI模型响应会被缓存
WebSocket连接持久且高效

安全

当前实现

仅本地通信（localhost）
无需身份验证
使用模拟数据进行演示

生产环境考虑

添加身份验证和授权
使用HTTPS/WSS进行加密通信
实现速率限制
添加输入验证和清理
使用具有适当安全性的真实数据库

未来增强

[ ] 添加更多服务器类型（天气、新闻等）
[ ] 实现用户身份验证
[ ] 添加持久数据存储
[ ] 同时支持多个AI模型
[ ] 实时通知
[ ] 改进移动响应性
[ ] 使用Swagger的API文档
[ ] Docker容器化
[ ] 支持Kubernetes部署
[ ] 监控和指标仪表盘