Command Executor と Brave Search 向けの MCP ベースのクライアント サーバー アプリ

概要

このプロジェクトは、MCP（モデル・コンテキスト・プロトコル）を用いたクライアントサーバーアーキテクチャを実装し、ユーザープロンプトを処理し、**大規模言語モデル（LLM）**を用いてその意図を判定し、適切なサービスにルーティングして実行します。システムは2つの主要コンポーネントで構成されています。

• **クライアント:**ユーザー入力を処理して LLM に送信し、LLM の決定に基づいて適切なサーバーに要求を転送します。
• サーバー: LLMのJSONレスポンスで指定されたツールに基づいてリクエストを処理します。システムコマンドを実行するか、Brave Search APIを使用してWebデータを取得します。

LLMは、ユーザーリクエストがコマンド実行またはWeb検索のどちらを必要とするかを判断します。プロンプトが不明瞭な場合、LLMはツール名（ command_executionまたはfetch_web_data ）と必要な引数を指定する構造化されたJSONレスポンスを生成する前に、追加の質問をします。

フロー図

働く

1. **ユーザー入力:**ユーザーは CLI にプロンプトを入力します。
2. **クライアント処理:**クライアントはプロンプトを LLM に転送します。
3. LLM決定:
   • 意図が不明瞭な場合、LLM は追加の質問をします。
   • ツール名と必要な引数を指定した JSON 応答を生成します。
4. クライアントルーティング:
   • ツールがcommand_executionの場合:
     • 要求はコマンド サーバーに送信されます。
     • コマンド サーバーは、 Python のsubprocessモジュールを使用してコマンドを実行します。
     • 成功または失敗の応答が返されます。
   • ツールがfetch_web_data場合:
     • リクエストはFetch Web Data Serverに送信されます。
     • サーバーは関連する結果をBrave Search API に照会します。
     • 検索結果がクライアントに返されます。
5. **クライアント応答:**クライアントは CLI 経由で最終応答をユーザーに返します。

前提条件

• Python 3.x
• pip (Python パッケージ マネージャー)
• 仮想環境のセットアップ（オプションですが推奨）
• UV/UVXのインストール: UVインストールガイド
• Brave Search API: Brave Search API キー
• 以下のいずれかのLLM:
  • オラマモデル
  • Groq APIキー

インストール

1. リポジトリをクローンする

2. 仮想環境を作成してアクティブ化する

3. 依存関係をインストールする

4. LLMモデルを構成する

Ollamaモデルの使用

1. Ollama インストール ガイドの指示に従って、Ollama CLI ツールをインストールします。
2. 次に、Ollama を確認します。
   ollama list
3. クライアント コマンドでモデルを指定します (llama3 または llama2)。
   uv run client/client.py server/command_server.py server/web_server.py ollama llama3

Groqモデルの使用

1. Groq の API キーを保存するための.envファイルを作成します。
   touch .env
2. Groq の API キーを.envファイルに追加します。
   GROQ_API_KEY=<your_groq_api_key_here>

5. Brave Search APIを設定する

Brave の API キーを.envファイルに追加します。

走る

• Ollamaモデルを使用するには

• Groqモデルを使用するには

テスト

クライアントにクエリを渡します (例: touch test.txt 、 create text file with test 、 rm test.txt fileなど)

🚀 Docker プロジェクトのセットアップガイド

📌 コード実行手順

1️⃣ Gitリポジトリをクローンする

2️⃣ モデル選択の設定を編集する

config.ini ファイルを変更して、モデルのタイプと名前を指定します。

3️⃣ Dockerコンテナを構築する

4️⃣ モデルクライアントを実行する