LOG-mcp

别再猜测该使用哪种 AI 模型了。此 MCP 服务器会在您每次在草稿回复之间进行选择时，构建一份您的偏好数据集。它从您的实际选择中学习，而不是从通用基准测试中学习。

实时 URL： https://log-mcp.casey-digennaro.workers.dev 许可证： MIT • 运行时： Cloudflare Workers • 依赖项： 0

为什么存在此项目

公共模型排名往往不能反映您的具体需求。此服务器直接从您工作时所做的选择中学习您的偏好，从而帮助它将未来的提示词路由到您可能会选择的模型。

快速入门

请先 Fork 此存储库以创建您自己的实例。

1. Fork 此存储库。

2. 使用您 Fork 版本中的一键按钮部署到 Cloudflare Workers。

3. 在 Worker 的环境变量中添加您的模型 API 密钥。

对于本地开发：

git clone https://github.com/your-username/log-mcp
cd log-mcp
cp .env.example .env
# Add your API keys to the .env file
npm run dev

工作原理

当您提交提示词时，LOG-mcp 会从每个配置的模型生成草稿回复。您选择最好的一项。每一次选择都会训练您的私人偏好配置文件。随着时间的推移，它开始将提示词直接路由到您本会选择的模型。所有选择数据都保留在您的 Worker 中。

功能特性

• 偏好学习： 根据您过去的选择路由提示词。

• PII 去除： 在发送到模型 API 之前，默认删除可识别信息（姓名、电子邮件、电话号码）。

• 语义缓存： 跳过语义相似且之前已回答过的提示词的重新生成。

• 训练数据导出： 以标准的 LoRA/DPO 格式导出您的偏好对。

• 多模型支持： 为 OpenAI、Anthropic、Google 和开源权重模型配置端点。

• MCP 合规： 适用于任何支持模型上下文协议 (Model Context Protocol) 的客户端。

• 零依赖： 一个单一的、自包含的脚本，可快速部署。

局限性

该系统需要明确的选择数据才能学习。如果您很少在草稿之间进行选择，它将无法构建有效的路由配置文件，并将继续显示所有模型的输出。

架构

LOG-mcp 在 Cloudflare Workers 上无状态运行。所有偏好数据都存储在 Cloudflare KV 命名空间中。无需管理外部数据库或后台进程。