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

Related MCP server: MCP Starter

Voraussetzungen

• Python 3.8+

• PostgreSQL-Datenbank

• Glama.ai API-Schlüssel

• Cursor AI API-Schlüssel

Installation

1. Klonen Sie das Repository:

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

2. Erstellen und aktivieren Sie eine virtuelle Umgebung:

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

3. Installieren Sie Abhängigkeiten:

pip install -r requirements.txt

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

cp .env.example .env

5. 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

6. 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

1. Aktualisieren Sie mcp_config.py mit neuen Konfigurationsoptionen

2. Fügen Sie bei Bedarf neue Modelle in models.py hinzu

3. Erstellen Sie neue Endpunkte in app.py

4. 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

1. Forken Sie das Repository

2. Erstellen eines Feature-Zweigs

3. Übernehmen Sie Ihre Änderungen

4. Push zum Zweig

5. Erstellen einer Pull-Anforderung

Verifizierungsabzeichen

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.