Skip to main content
Glama
790125

AI 客服商城 MCP Server

by 790125
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

AI 客服商城 MCP Server

一款将 大模型客服 + 商品数据 + 安全审计 打包成 MCP 服务的综合练习项目。 面向 AI Agent 开发,覆盖 LLM API、Function Calling、RAG、MCP 协议、Web 安全审计、人工审核闭环。

✨ 功能总览

1. 智能客服(LLM + RAG + Function Calling)

  • DeepSeek 大模型驱动,system prompt 角色+规则+知识注入

  • RAG 检索增强:FAQ 知识库(退货/保修/发票/物流等 13 条)按需检索,注入上下文

  • 函数调用:模型自主决定调用 search_products 查商品(名称/价格/库存/描述)

  • 自动转人工:AI 回答不了时自动建议转人工 + 按钮高亮

  • 人工客服后台:排队队列 / 接单 / 回复,状态机 ai → queue → human

2. 商品网页

  • 商品卡片网格 + 实时搜索(模糊 2 字滑窗匹配)

  • 用户登录(演示靶场版)+ 可拖动客服聊天窗口

3. MCP Server(4 个工具)

工具

说明

search_products_tool

按关键词搜索商品

get_product_tool

按 id 查商品详情

ask_customer_service

调用完整 AI 客服

run_security_audit

8 项安全审计 + 证据定位

4. 安全审计闭环(特色亮点)

AI 审计(8 项检测,含静态+动态)
  → 证据定位(文件/行号/代码上下文字符串)
  → 人工审核台(/review): 确认 / 误报 / 修复
  → 修复方案(修复前后代码对照)
  → 状态追踪(new → confirmed → fixed) + 修复率看板

审计检测项:

  • ✅ 明文密码存储(文本比对)

  • ✅ 用户枚举(错误消息差异)

  • ✅ 登录限流缺失

  • ✅ Token 无过期

  • ✅ IDOR 越权(跨用户订单)

  • ✅ 敏感信息泄露(无鉴权返回密码)

  • ✅ 任意改密码(无旧密码校验)

  • ✅ 硬编码密钥扫描

⚠️ 安全说明:项目内登录/订单接口故意保留典型漏洞,作为安全审计练习靶场。仅供本地学习演示,切勿部署公网或用于真实系统。

Related MCP server: agentinbox-mcp

🚀 快速开始

1. 环境准备

# Python 3.10+,创建虚拟环境
cd ai-customer-service-mcp
python -m venv .venv
.venv\Scripts\activate          # Windows
pip install -r requirements.txt # flask requests python-dotenv mcp beautifulsoup4 lxml

2. 配置 LLM(可选,未配置走规则版)

# 复制 .env.example 为 .env,填入 DeepSeek API Key
# deepseek 平台: https://platform.deepseek.com/

3. 启动网页服务器

python server/app.py
# 打开 http://127.0.0.1:5000(商城+客服窗)
# 客服后台: http://127.0.0.1:5000/agent
# 审核台:   http://127.0.0.1:5000/review

4. 测试账号

admin / admin123    (管理员)
test  / 123456      (普通用户)

5. 启动 MCP Server(stdio,供 MCP 客户端调用)

python server/mcp_server.py

opencode 配置示例(opencode.json):

{
  "mcp": {
    "shop": {
      "type": "local",
      "command": ["python", "server/mcp_server.py"],
      "cwd": "D:/lesson/ai-customer-service-mcp",
      "enabled": true
    }
  }
}

🧭 项目结构

ai-customer-service-mcp/
├── server/
│   ├── app.py              # Flask 路由(网页/API/审核/转人工)
│   ├── mcp_server.py       # MCP Server(@mcp.tool() 4 工具)
│   ├── data_service.py     # 商品数据服务
│   ├── auth_service.py     # 登录认证(靶场版)
│   ├── order_service.py    # 订单服务(IDOR 靶点)
│   ├── chat_service.py     # 客服(LLM+RAG+Function Calling)
│   ├── llm_client.py       # LLM API 客户端(OpenAI 兼容)
│   ├── rag_service.py      # 知识库检索(Cosine 相似度)
│   ├── audit_service.py    # 安全审计(8 项+证据定位)
│   ├── review_service.py   # 审核闭环(状态/修复方案/统计)
│   ├── human_service.py    # 转人工会话状态机
│   └── templates/          # index.html / agent.html / review.html
├── data/
│   ├── products.json       # 商品
│   ├── users.json          # 用户(明文靶点)
│   ├── orders.json         # 订单(IDOR 靶点)
│   └── faq_knowledge.json  # 客服 FAQ 知识库
├── crawler/                # 商品爬虫(规划)
├── web/                    # 前端资源(规划)
├── .env.example            # LLM 配置模板
└── .gitignore              # 保护 .env 不提交

🎯 设计要点(面试可讲)

  1. RAG:chunk → 向量化(词频/cosine)→ Top-K → 注入 system prompt;生产可换 embedding + FAISS

  2. Function Calling 协议:assistant tool_calls 与 role=tool 消息配对(亲身踩坑:缺 assistant 记录会 400)

  3. MCP 2.x:MCPServer + @tool() 装饰器,stdio 通信,被 opencode 实测调用成功

  4. 安全闭环:检测(静态+动态黑盒)→ 证据(文件/行号/上下文)→ 人工审核(确认/误报)→ 修复方案 → 状态追踪

  5. 兜底设计:AI 答不上 → 自动建议转人工;用户排队 → 接单 → 回复 → 轮询展示

📜 License

MIT License

本项目所有数据均为本地模拟,演示账号与漏洞为教学靶场设计。仅供学习交流。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers