KI-Kundensupport-Bot – MCP-Server

Ein Model Context Protocol (MCP)-Server, der KI-gestützten Kundensupport mithilfe der Cursor AI- und Glama.ai-Integration bietet.

Merkmale

Echtzeit-Kontextabruf von Glama.ai
KI-gestützte Antwortgenerierung mit Cursor AI
Unterstützung der Stapelverarbeitung
Prioritätswarteschlange
Ratenbegrenzung
Verfolgung der Benutzerinteraktion
Gesundheitsüberwachung
MCP-Protokoll-Konformität

Voraussetzungen

Python 3.8+
PostgreSQL-Datenbank
Glama.ai API-Schlüssel
Cursor AI API-Schlüssel

Installation

Klonen Sie das Repository:

git clone <repository-url>
cd <repository-name>

Erstellen und aktivieren Sie eine virtuelle Umgebung:

python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

Installieren Sie Abhängigkeiten:

pip install -r requirements.txt

Erstellen Sie eine .env Datei basierend auf .env.example :

cp .env.example .env

Konfigurieren Sie Ihre .env Datei mit Ihren Anmeldeinformationen:

# API Keys
GLAMA_API_KEY=your_glama_api_key_here
CURSOR_API_KEY=your_cursor_api_key_here

# Database
DATABASE_URL=postgresql://user:password@localhost/customer_support_bot

# API URLs
GLAMA_API_URL=https://api.glama.ai/v1

# Security
SECRET_KEY=your_secret_key_here

# MCP Server Configuration
SERVER_NAME="AI Customer Support Bot"
SERVER_VERSION="1.0.0"
API_PREFIX="/mcp"
MAX_CONTEXT_RESULTS=5

# Rate Limiting
RATE_LIMIT_REQUESTS=100
RATE_LIMIT_PERIOD=60

# Logging
LOG_LEVEL=INFO

Richten Sie die Datenbank ein:

# Create the database
createdb customer_support_bot

# Run migrations (if using Alembic)
alembic upgrade head

Ausführen des Servers

Starten Sie den Server:

python app.py

Der Server ist unter http://localhost:8000 verfügbar.

API-Endpunkte

1. Root-Endpunkt

GET /

Gibt grundlegende Serverinformationen zurück.

2. MCP-Version

GET /mcp/version

Gibt unterstützte MCP-Protokollversionen zurück.

3. Fähigkeiten

GET /mcp/capabilities

Gibt Serverfunktionen und unterstützte Features zurück.

4. Anfrage bearbeiten

POST /mcp/process

Verarbeiten Sie eine einzelne Abfrage mit Kontext.

Beispielanfrage:

curl -X POST http://localhost:8000/mcp/process \
  -H "Content-Type: application/json" \
  -H "X-MCP-Auth: your-auth-token" \
  -H "X-MCP-Version: 1.0" \
  -d '{
    "query": "How do I reset my password?",
    "priority": "high",
    "mcp_version": "1.0"
  }'

5. Stapelverarbeitung

POST /mcp/batch

Verarbeiten Sie mehrere Abfragen in einer einzigen Anfrage.

Beispielanfrage:

curl -X POST http://localhost:8000/mcp/batch \
  -H "Content-Type: application/json" \
  -H "X-MCP-Auth: your-auth-token" \
  -H "X-MCP-Version: 1.0" \
  -d '{
    "queries": [
      "How do I reset my password?",
      "What are your business hours?",
      "How do I contact support?"
    ],
    "mcp_version": "1.0"
  }'

6. Gesundheitscheck

GET /mcp/health

Überprüfen Sie die Serverintegrität und den Dienststatus.

Ratenbegrenzung

Der Server implementiert die Ratenbegrenzung mit den folgenden Standardwerten:

100 Anfragen pro 60 Sekunden
Informationen zur Ratenbegrenzung sind im Integritätsprüfungsendpunkt enthalten
Antworten bei Überschreitung des Ratenlimits umfassen die Rücksetzzeit

Fehlerbehandlung

Der Server gibt strukturierte Fehlerantworten im folgenden Format zurück:

{
  "code": "ERROR_CODE",
  "message": "Error description",
  "details": {
    "timestamp": "2024-02-14T12:00:00Z",
    "additional_info": "value"
  }
}

Häufige Fehlercodes:

RATE_LIMIT_EXCEEDED : Ratenlimit überschritten
UNSUPPORTED_MCP_VERSION : Nicht unterstützte MCP-Version
PROCESSING_ERROR : Fehler bei der Verarbeitung der Anfrage
CONTEXT_FETCH_ERROR : Fehler beim Abrufen des Kontexts von Glama.ai
BATCH_PROCESSING_ERROR : Fehler bei der Verarbeitung der Batch-Anforderung

Entwicklung

Projektstruktur

.
├── app.py              # Main application file
├── database.py         # Database configuration
├── middleware.py       # Middleware (rate limiting, validation)
├── models.py          # Database models
├── mcp_config.py      # MCP-specific configuration
├── requirements.txt   # Python dependencies
└── .env              # Environment variables

Neue Funktionen hinzufügen

Aktualisieren Sie mcp_config.py mit neuen Konfigurationsoptionen
Fügen Sie bei Bedarf neue Modelle in models.py hinzu
Erstellen Sie neue Endpunkte in app.py
Aktualisieren Sie den Endpunkt der Funktionen, um neue Funktionen zu berücksichtigen

Sicherheit

Alle MCP-Endpunkte erfordern eine Authentifizierung über X-MCP-Auth Header
Um Missbrauch zu verhindern, wird eine Ratenbegrenzung implementiert.
Datenbankanmeldeinformationen sollten sicher aufbewahrt werden
API-Schlüssel sollten niemals der Versionskontrolle übergeben werden

Überwachung

Der Server bietet Integritätsprüfungsendpunkte zur Überwachung:

Dienststatus
Ratenbegrenzungsnutzung
Verbundene Dienste
Bearbeitungszeiten

Beitragen

Forken Sie das Repository
Erstellen eines Feature-Zweigs
Übernehmen Sie Ihre Änderungen
Push zum Zweig
Erstellen einer Pull-Anforderung

Verifizierungsabzeichen

Verifiziert auf MseeP

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – Einzelheiten finden Sie in der Datei LICENSE .

Unterstützung

Für Support erstellen Sie bitte ein Problem im Repository oder wenden Sie sich an das Entwicklungsteam.

This server cannot be installed

security - not tested

license - permissive license

quality - not tested

How are these scores calculated?

remote-capable server

The server can be hosted and run remotely because it primarily relies on remote services or has no dependency on the local environment.