MCP Command and Search Server

Aplicación cliente-servidor basada en MCP para Command Executor y Brave Search

Descripción general

Este proyecto implementa una arquitectura cliente-servidor que utiliza MCP (Protocolo de Contexto de Modelo) para gestionar las solicitudes del usuario, determinar su intención mediante un Modelo de Lenguaje Grande (LLM) y dirigirlas al servicio correspondiente para su ejecución. El sistema consta de dos componentes principales:

• Cliente: procesa la entrada del usuario, la envía al LLM y reenvía la solicitud al servidor apropiado según la decisión del LLM.
• Servidor: Gestiona las solicitudes según la herramienta especificada en la respuesta JSON del LLM. Ejecuta comandos del sistema o recupera datos web mediante la API de búsqueda de Brave.

El LLM determina si la solicitud del usuario requiere la ejecución de un comando o una búsqueda web . Si la solicitud no es clara, el LLM realiza preguntas adicionales antes de generar una respuesta JSON estructurada que especifica el nombre de la herramienta ( command_execution o fetch_web_data ) y sus argumentos requeridos.

Diagrama de flujo

Laboral

1. Entrada del usuario: el usuario ingresa un mensaje en la CLI.
2. Procesamiento del cliente: el cliente reenvía la solicitud al LLM.
3. Decisión de LLM:
   • Si la intención no está clara, el LLM hace preguntas de seguimiento.
   • Genera una respuesta JSON que especifica el nombre de la herramienta y los argumentos requeridos.
4. Enrutamiento de clientes:
   • Si la herramienta es command_execution :
     • La solicitud se envía al servidor de comandos .
     • El servidor de comandos ejecuta el comando utilizando el módulo subprocess de Python.
     • Se devuelve una respuesta de éxito o fracaso.
   • Si la herramienta es fetch_web_data :
     • La solicitud se envía al servidor de obtención de datos web .
     • El servidor consulta la API de búsqueda de Brave para obtener resultados relevantes.
     • Los resultados de la búsqueda se devuelven al cliente.
5. Respuesta del cliente: el cliente envía la respuesta final al usuario a través de la CLI.

Prerrequisitos

• Python 3.x
• pip (administrador de paquetes de Python)
• Configuración del entorno virtual (opcional, pero recomendado)
• Instalar UV/UVX: Guía de instalación de UV
• API de Brave Search: clave de API de Brave Search
• Cualquiera de los siguientes LLM:
  • Modelo Ollama
  • Clave API de Groq

Instalación

1. Clonar el repositorio

2. Crea un entorno virtual y actívalo

3. Instalar dependencias

4. Configurar el modelo LLM

Usando el modelo Ollama

1. Instale la herramienta Ollama CLI siguiendo las instrucciones de la Guía de instalación de Ollama .
2. A continuación, revisa el Ollama:
   ollama list
3. Especifique el modelo en el comando del cliente (llama3 o llama2):
   uv run client/client.py server/command_server.py server/web_server.py ollama llama3

Usando el modelo Groq

1. Cree un archivo .env para almacenar la clave API de Groq:
   touch .env
2. Añade la clave API de tu Groq al archivo .env :
   GROQ_API_KEY=<your_groq_api_key_here>

5. Configurar la API de búsqueda de Brave

Añade la clave API de tu Brave al archivo .env :

Correr

• Para utilizar el modelo Ollama

• Para utilizar el modelo Groq

Prueba

Proporcionar una consulta al cliente (por ejemplo, touch test.txt , create text file with test , rm test.txt file , etc.)

Guía de configuración del proyecto Docker

📌 Pasos para ejecutar el código

1️⃣ Clonar el repositorio Git

2️⃣ Editar configuración para la selección del modelo

Modifique el archivo config.ini para especificar el tipo y el nombre del modelo:

3️⃣ Construir los contenedores Docker

4️⃣ Ejecutar el cliente modelo