Skip to main content
Glama
MCP Customer Support AI

MCP Customer Support AI

MCP Customer Support AI

本项目是一个面向生产的 Model Context Protocol (MCP) 项目,使用 Node.js、TypeScript、MongoDB 和 LLM 构建。

本项目展示了 AI 应用程序如何通过 MCP 工具,以结构化、安全且可扩展的方式与外部系统交互。

项目采用增量方式开发,从基本的 MCP 服务器和工具开始,逐步演进为一个生产风格的 AI 驱动型客户支持系统。


🚀 项目概述

本项目的目标是构建一个 AI 驱动的客户支持助手,使其能够理解用户请求并通过 MCP 工具执行真实世界中的操作。

示例

用户可能会问:

"查看我的最新订单,如果订单延迟就创建一个支持工单。"

AI 可以判断出它需要:

  1. 查找客户。

  2. 获取该客户的订单。

  3. 识别延迟的订单。

  4. 创建一个支持工单。

AI 不会直接访问数据库。

它通过 MCP 工具与应用程序交互。

                         User
                           │
                           ▼
                      AI / LLM
                           │
                           ▼
                      MCP Client
                           │
                           ▼
                    ┌─────────────┐
                    │ MCP Server  │
                    └──────┬──────┘
                           │
              ┌────────────┼────────────┐
              ▼            ▼            ▼
       Customer Tool   Order Tool   Ticket Tool
              │            │            │
              └────────────┼────────────┘
                           ▼
                       Services
                           │
                           ▼
                        MongoDB

Related MCP server: support-agent-mcp

🎯 项目目标

本项目旨在演示:

  • MCP 服务器开发

  • MCP 工具创建

  • MCP 客户端通信

  • AI 工具调用

  • TypeScript 架构

  • MongoDB 集成

  • 服务层架构

  • 输入验证

  • 错误处理

  • 身份验证与授权

  • 日志记录与监控

  • 审计日志

  • 生产导向的 MCP 架构

  • AI 智能体工作流

🛠️ 技术栈

后端

  • Node.js

  • TypeScript

  • MCP SDK

  • Zod

  • MongoDB

  • Mongoose

AI

  • LLM 集成

  • 工具调用

  • AI 智能体工作流

开发

  • MCP Inspector

  • Git

  • GitHub

  • npm

计划中的生产基础设施

  • Docker

  • Redis

  • 身份验证

  • 速率限制

  • 日志记录

  • 监控

  • CI/CD

📁 项目结构

mcp-customer-support/
│
├── src/
│   │
│   ├── index.ts
│   │
│   ├── tools/
│   │   ├── customer.tools.ts
│   │   ├── order.tools.ts
│   │   └── ticket.tools.ts
│   │
│   ├── services/
│   │   ├── customer.service.ts
│   │   ├── order.service.ts
│   │   └── ticket.service.ts
│   │
│   ├── models/
│   │   ├── customer.model.ts
│   │   ├── order.model.ts
│   │   └── ticket.model.ts
│   │
│   ├── db/
│   │   └── database.ts
│   │
│   ├── middleware/
│   │   └── auth.ts
│   │
│   └── utils/
│       ├── logger.ts
│       └── errors.ts
│
├── tests/
│
├── .env.example
├── .gitignore
├── package.json
├── package-lock.json
├── tsconfig.json
└── README.md

🏗️ 开发阶段

本项目特意划分为若干阶段,每个阶段都引入一个重要的 MCP 或生产概念。

阶段 1 — MCP 服务器基础

目标

创建一个支持第一个工具的 MCP 服务器。

已实现

  • Node.js 项目

  • TypeScript 配置

  • MCP SDK

  • MCP 服务器

  • STDIO 传输

  • Zod 输入验证

  • 第一个 MCP 工具

  • MCP Inspector 集成

第一个工具

find_customer

输入:

{
  "email": "ashwani@example.com"
}

输出:

{
  "id": "customer_123",
  "name": "Ashwani Yadav",
  "email": "ashwani@example.com"
}

架构

MCP Inspector
      │
      ▼
MCP Client
      │
      │ STDIO
      ▼
MCP Server
      │
      ▼
find_customer()
      │
      ▼
Dummy Data

状态

已完成 ✅

阶段 2 — 多个 MCP 工具

目标

创建多个代表真实客户支持操作的工具。

工具

find_customer
get_customer_orders
create_support_ticket

示例

find_customer

find_customer(email)

get_customer_orders

get_customer_orders(customerId)

create_support_ticket

create_support_ticket(
    customerId,
    orderId,
    issue
)

预期架构

                    MCP Server
                        │
        ┌───────────────┼───────────────┐
        ▼               ▼               ▼
find_customer()   get_orders()   create_ticket()

状态

计划中 🚧

阶段 3 — MongoDB 集成

目标

用真实的持久化数据替代模拟数据。

数据库

MongoDB

集合

customers
orders
support_tickets

架构

MCP Tool
   │
   ▼
Service Layer
   │
   ▼
Mongoose
   │
   ▼
MongoDB

示例

find_customer()
      │
      ▼
customer.service.ts
      │
      ▼
Customer Model
      │
      ▼
MongoDB

优势

  • 持久化数据

  • 规范的数据库查询

  • 索引

  • Schema 验证

  • 可扩展的数据访问

计划索引

customers.email

这确保了随着数据集的增长,按邮箱查找客户仍然是高效的。

状态

计划中 🚧

阶段 4 — 服务层与整洁架构

目标

将 MCP 工具与业务逻辑分离。

而不是将数据库逻辑直接放在 MCP 工具内部:

Tool
 ↓
Service
 ↓
Database

示例

customer.tools.ts
        │
        ▼
customer.service.ts
        │
        ▼
customer.model.ts
        │
        ▼
MongoDB

为什么?

这样做的好处是:

  • 关注点分离

  • 可测试性

  • 可重用性

  • 可维护性

  • 更容易迁移到 REST/GraphQL/GraphQL 内部服务

状态

计划中 🚧

阶段 5 — MCP 客户端

目标

构建一个连接到 MCP 服务器的专用 MCP 客户端。

┌──────────────┐
│ MCP Client   │
└──────┬───────┘
       │
       ▼
┌──────────────┐
│ MCP Server   │
└──────────────┘

客户端将能够:

发现工具

listTools()

执行工具

callTool()

例如:

callTool(
    "find_customer",
    {
        email: "ashwani@example.com"
    }
)

状态

计划中 🚧

阶段 6 — LLM 集成

目标

将 LLM 连接到 MCP 客户端。

架构将变为:

User
 │
 ▼
LLM
 │
 ▼
MCP Client
 │
 ▼
MCP Server
 │
 ▼
Tools
 │
 ▼
MongoDB

LLM 将根据用户的请求决定应调用哪个工具。

示例

用户:

Check my latest order.

AI:

I need the customer's orders.

工具:

get_customer_orders()

工具返回订单数据。

AI 随后生成自然语言响应。

状态

计划中 🚧

阶段 7 — AI 智能体工作流

目标

允许 LLM 执行多步骤工作流。

示例请求:

Check my latest order and create a support
ticket if it is delayed.

AI 工作流:

             User Request
                   │
                   ▼
                 LLM
                   │
                   ▼
           find_customer()
                   │
                   ▼
        get_customer_orders()
                   │
                   ▼
           Analyze orders
                   │
                   ▼
        Is order delayed?
              /          \
            Yes           No
             │             │
             ▼             ▼
 create_support_ticket   Response
             │
             ▼
          Response

这展示了单纯暴露工具与构建能够编排工具的 AI 智能体 之间的区别。

状态

计划中 🚧

阶段 8 — 身份验证与授权

目标

保护 MCP 操作的安全。

身份验证验证:

用户是谁?

授权验证:

用户被允许做什么?

示例权限:

customer.read
order.read
ticket.create
ticket.update
admin.refund

示例:

Customer
 ├── find_customer       ✅
 ├── get_orders          ✅
 ├── create_ticket       ✅
 └── refund_order        ❌

Admin
 ├── find_customer       ✅
 ├── get_orders          ✅
 ├── create_ticket       ✅
 └── refund_order        ✅

状态

计划中 🚧

阶段 9 — 错误处理

目标

在所有工具中建立一致的错误处理。

示例:

CustomerNotFoundError
OrderNotFoundError
UnauthorizedError
ValidationError
DatabaseError
ToolExecutionError

MCP 工具响应将清晰地传达失败信息。

示例:

{
  "isError": true,
  "message": "Customer not found"
}

状态

计划中 🚧

阶段 10 — 日志记录与可观测性

目标

在生产环境中跟踪 MCP 操作。

每次工具执行都应提供如下信息:

Request ID
User ID
Tool name
Arguments
Execution time
Status
Error
Timestamp

示例:

INFO Tool Execution

tool: get_customer_orders
customerId: customer_123
duration: 85ms
status: success

监控目标

  • 工具延迟

  • 错误率

  • 数据库延迟

  • AI 响应延迟

  • 工具使用频率

  • 失败的工具调用

状态

计划中 🚧

阶段 11 — 速率限制

目标

保护 MCP 服务器免受请求过多或恶意请求的影响。

潜在策略:

User
 │
 ▼
Rate Limiter
 │
 ├── Allowed ──→ MCP Tool
 │
 └── Blocked ──→ Rate Limit Error

可以引入 Redis 实现分布式速率限制。

示例:

100 requests / minute / user

状态

计划中 🚧

阶段 12 — 审计日志

目标

记录 AI 驱动的敏感操作。

例如:

User:
customer_123

AI requested:
create_support_ticket

Order:
order_123

Action:
Support ticket created

Timestamp:
2026-08-23T10:30:00Z

当 AI 智能体可以执行修改业务数据的操作时,这一点尤其重要。

状态

计划中 🚧

阶段 13 — 测试

单元测试

测试内容:

  • 服务

  • 验证

  • 业务逻辑

  • 错误处理

集成测试

测试内容:

MCP Tool
   ↓
Service
   ↓
MongoDB

MCP 测试

测试内容:

MCP Client
   ↓
MCP Server
   ↓
Tool

示例

find_customer
    ↓
valid email
    ↓
customer returned

以及:

find_customer
    ↓
invalid email
    ↓
validation error

状态

计划中 🚧

阶段 14 — Docker 化

目标

将应用程序容器化。

Docker
│
├── MCP Server
│
├── MongoDB
│
└── Redis

示例生产架构:

                 ┌─────────────┐
                 │   AI App    │
                 └──────┬──────┘
                        │
                        ▼
                 ┌─────────────┐
                 │ MCP Server  │
                 └──────┬──────┘
                        │
             ┌──────────┼──────────┐
             ▼          ▼          ▼
          MongoDB     Redis      Logs

状态

计划中 🚧

阶段 15 — CI/CD

目标

自动化测试和部署。

流水线:

Developer
    │
    ▼
Git Push
    │
    ▼
GitHub Actions
    │
    ├── Install dependencies
    ├── Lint
    ├── Type check
    ├── Run tests
    ├── Build
    └── Deploy

状态

计划中 🚧

🔐 环境变量

切勿将 .env 提交到 GitHub。

使用:

.env

用于本地开发。

示例:

MONGODB_URI=mongodb://localhost:27017/mcp-support
OPENAI_API_KEY=your_api_key
JWT_SECRET=your_secret

提供:

.env.example

代替:

MONGODB_URI=
OPENAI_API_KEY=
JWT_SECRET=

🧪 开发

安装依赖:

npm install

运行开发服务器:

npm run dev

构建:

npm run build

运行生产构建:

npm start

🔍 MCP Inspector

MCP Inspector 用于在开发过程中测试 MCP 服务器并检查可用工具。

示例:

npx @modelcontextprotocol/inspector npx tsx src/index.ts

Inspector 允许我们:

  • 连接到 MCP 服务器

  • 发现工具

  • 检查工具 schema

  • 执行工具

  • 检查响应

  • 调试 MCP 通信

🧠 本项目演示的 MCP 概念

MCP 服务器

为 MCP 客户端提供能力。

MCP 客户端

连接到 MCP 服务器并调用其能力。

工具

暴露给 AI 系统的可执行操作。

示例:

find_customer
get_customer_orders
create_support_ticket

资源

可暴露给 MCP 客户端的只读上下文数据。

未来可能的资源:

customer://customer_123
order://order_123

提示

可通过 MCP 暴露的可复用提示模板/工作流。

潜在示例:

customer_support_resolution

🏆 生产架构

最终架构计划如下:

                         ┌───────────────┐
                         │     User      │
                         └───────┬───────┘
                                 │
                                 ▼
                         ┌───────────────┐
                         │    LLM / AI   │
                         └───────┬───────┘
                                 │
                                 ▼
                         ┌───────────────┐
                         │  MCP Client   │
                         └───────┬───────┘
                                 │
                                 ▼
                    ┌────────────────────────┐
                    │       MCP Server       │
                    │                        │
                    │ Authentication         │
                    │ Authorization          │
                    │ Validation             │
                    │ Rate Limiting          │
                    │ Logging                │
                    └───────────┬────────────┘
                                │
               ┌────────────────┼────────────────┐
               ▼                ▼                ▼
        Customer Tool      Order Tool       Ticket Tool
               │                │                │
               └────────────────┼────────────────┘
                                ▼
                         Service Layer
                                │
                ┌───────────────┼───────────────┐
                ▼               ▼               ▼
             MongoDB          Redis          Logging

📌 当前进度

阶段

功能

状态

1

MCP 服务器基础

✅ 已完成

2

多个 MCP 工具

🚧 计划中

3

MongoDB 集成

🚧 计划中

4

服务层

🚧 计划中

5

MCP 客户端

🚧 计划中

6

LLM 集成

🚧 计划中

7

AI 智能体工作流

🚧 计划中

8

身份验证与授权

🚧 计划中

9

错误处理

🚧 计划中

10

日志记录与可观测性

🚧 计划中

11

速率限制

🚧 计划中

12

审计日志

🚧 计划中

13

测试

🚧 计划中

14

Docker 化

🚧 计划中

15

CI/CD

🚧 计划中

💡 未来对话示例

当所有阶段完成后,系统应能支持如下对话:

用户

我的最新订单还没有到达。你能帮我查看一下并创建一个支持工单吗?

AI

1. Find customer
2. Retrieve orders
3. Identify delayed order
4. Create support ticket
5. Return ticket information

AI 响应

您的订单 ORD-123 已延迟。我已为您创建支持工单 TICKET-456。

🎓 涵盖的面试主题

本项目可用于展示以下方面的知识:

  • Model Context Protocol

  • AI 智能体

  • LLM 工具调用

  • 函数调用

  • MCP 服务器

  • MCP 客户端

  • 工具发现

  • 工具执行

  • TypeScript

  • Node.js

  • MongoDB

  • Mongoose

  • 整洁架构

  • 服务层架构

  • 身份验证

  • 授权

  • RBAC

  • 速率限制

  • Redis

  • 日志记录

  • 可观测性

  • Docker

  • CI/CD

  • GitHub Actions

  • 测试

  • 可扩展的后端架构

📈 未来改进

可能的未来增强功能包括:

  • 多个 MCP 服务器

  • 支付 MCP 工具

  • 邮件 MCP 工具

  • CRM 集成

  • Slack 集成

  • GitHub 集成

  • 向量数据库

  • RAG

  • 语义搜索

  • 人工介入审批

  • 工具权限策略

  • 工具执行追踪

  • 分布式 MCP 部署

  • Kubernetes 部署

👨💻 开发理念

本项目遵循以下原则:

  • 关注点分离

  • 强类型

  • 输入验证

  • 安全的机密管理

  • 可测试的业务逻辑

  • 可观测的工具执行

  • 最小权限工具访问

  • 可扩展的架构

  • 清晰的 MCP 边界

📜 许可证

本项目旨在用于学习、实验和演示 MCP/AI 工程概念。

在公开分发之前,请添加合适的开源许可证。

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Exposes order status lookup and knowledge base search tools from the Support Agent AI over MCP, enabling MCP clients to handle customer support queries with grounded, citation-backed answers.
      2
      MIT
    • F
      license
      Not graded
      quality
      C
      maintenance
      Enables AI assistants to handle customer support by looking up order status, semantically searching knowledge bases, and creating support tickets through MCP tools, with grounded answers and automated evaluations.
      -