MCP Command and Search Server

基于 MCP 的命令执行器和 Brave Search 客户端-服务器应用程序

概述

该项目实现了一个**客户端-服务器架构，使用 MCP（模型上下文协议）来处理用户提示，使用大型语言模型 (LLM)**确定其意图，并将其路由到适当的服务进行执行。该系统由两个主要组件组成：

• **客户端：**处理用户输入，将其发送给 LLM，并根据 LLM 的决定将请求转发到适当的服务器。
• **服务器：**根据 LLM 的 JSON 响应中指定的工具处理请求。它要么执行系统命令，要么使用 Brave Search API 获取 Web 数据。

LLM 会判断用户请求是需要执行命令还是网页搜索。如果提示不明确，LLM 会询问后续问题，然后生成结构化的**JSON 响应，**其中会指定工具名称（ command_execution或fetch_web_data ）及其所需参数。

流程图

在职的

1. **用户输入：**用户在 CLI 中输入提示。
2. **客户端处理：**客户端将提示转发给 LLM。
3. 法学硕士决定：
   • 如果意图不明确，LLM 会询问后续问题。
   • 它生成一个指定工具名称和所需参数的 JSON 响应。
4. 客户端路由：
   • 如果工具是command_execution ：
     • 请求被发送到命令服务器。
     • 命令服务器使用 Python 的subprocess模块执行命令。
     • 返回成功或失败的响应。
   • 如果该工具是fetch_web_data ：
     • 该请求被发送到Fetch Web Data Server 。
     • 服务器查询Brave Search API以获取相关结果。
     • 搜索结果返回给客户端。
5. **客户端响应：**客户端通过 CLI 将最终响应发送回用户。

先决条件

• Python 3.x
• pip（Python 包管理器）
• 虚拟环境设置（可选，但推荐）
• 安装 UV/UVX： UV 安装指南
• Brave Search API： Brave Search API 密钥
• 以下任何法学硕士学位：
  • 奥拉玛模型
  • Groq API 密钥

安装

1. 克隆存储库

2.创建虚拟环境并激活

3.安装依赖项

4.配置LLM模型

使用 Ollama 模型

1. 按照Ollama 安装指南中的说明安装 Ollama CLI 工具。
2. 然后，检查 Ollama：
   ollama list
3. 在客户端命令中指定模型（llama3或llama2）：
   uv run client/client.py server/command_server.py server/web_server.py ollama llama3

使用 Groq 模型

1. 创建一个.env文件来存储 Groq 的 API Key：
   touch .env
2. 将您的 Groq 的 API 密钥添加到.env文件：
   GROQ_API_KEY=<your_groq_api_key_here>

5.配置 Brave Search API

将您的 Brave 的 API 密钥添加到.env文件：

跑步

• 使用 Ollama 模型

• 使用 Groq 模型

测试

向客户端发出查询（例如， touch test.txt 、 create text file with test 、 rm test.txt file等）

🚀 Docker 项目设置指南

📌 运行代码的步骤

1️⃣ 克隆 Git 存储库

2️⃣ 编辑模型选择配置

修改config.ini文件，指定模型类型和名称：

3️⃣ 构建 Docker 容器

4️⃣ 运行模型客户端