MCP 服务器 - 模型上下文协议 API

快速API Python 普罗米修斯 GraphQL

MCP Server 是基于 FastAPI 的模型上下文协议 (MCP) 实现，为 LLM 模型和应用程序之间的交互提供了标准化接口。

特点

🚀 基于 FastAPI 和异步操作的高性能 API
🔄**提供全面的 MCP 支持，**包括资源、工具、提示和采样
📊 通过 Prometheus 和 Grafana 进行监控和指标
🧩 通过简单的界面添加新工具的可扩展性
📝 GraphQL API ，可灵活处理数据
💬 WebSocket 支持实时交互
🔍 通过与 Elasticsearch 集成进行语义搜索
🗃️ 通过 Redis缓存以提高性能
📦通过 Poetry管理依赖项以实现可靠的包管理

Related MCP server: microCMS MCP Server

入门

安装

克隆存储库：

git clone https://github.com/yourusername/myaiserv.git
cd myaiserv

安装 Poetry（如果尚未安装）：

curl -sSL https://install.python-poetry.org | python3 -

通过 Poetry 安装依赖项：
```
poetry install
```

启动服务器

poetry run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

或者通过 just 实用程序：

just run

启动后，API 可在以下网址访问： http://localhost:8000

API 文档

Swagger 用户界面： http://localhost:8000/docs
ReDoc： http://localhost:8000/redoc
GraphQL 游乐场： http://localhost:8000/graphql

项目结构

myaiserv/
├── app/
│   ├── core/             # Базовые компоненты MCP
│   │   ├── base_mcp.py   # Абстрактные классы MCP
│   │   └── base_sampling.py  # Базовые классы для сэмплирования
│   ├── models/           # Pydantic модели
│   │   ├── mcp.py        # Модели данных MCP
│   │   └── graphql.py    # GraphQL схема
│   ├── services/         # Бизнес-логика
│   │   └── mcp_service.py # Сервис MCP
│   ├── storage/          # Хранилище данных
│   ├── tools/            # Инструменты MCP
│   │   ├── example_tool.py   # Примеры инструментов
│   │   └── text_processor.py # Инструмент обработки текста
│   ├── utils/            # Утилиты
│   └── main.py           # Точка входа FastAPI
├── app/tests/            # Тесты
├── docs/                 # Документация
│   └── MCP_API.md        # Описание API
├── pyproject.toml        # Конфигурация Poetry и инструментов
└── .justfile             # Задачи для утилиты just

可用工具

文件系统工具

支持读取、写入、删除和列出文件的文件系统工具。

curl -X POST "http://localhost:8000/tools/file_operations" \
     -H "Content-Type: application/json" \
     -d '{"operation": "list", "path": "."}'

天气工具

通过坐标获取天气数据的工具。

curl -X POST "http://localhost:8000/tools/weather" \
     -H "Content-Type: application/json" \
     -d '{"latitude": 37.7749, "longitude": -122.4194}'

文本分析工具

一种文本分析工具，包括情感检测和总结。

curl -X POST "http://localhost:8000/tools/text_analysis" \
     -H "Content-Type: application/json" \
     -d '{"text": "Example text for analysis", "analysis_type": "sentiment"}'

文本处理工具

文本处理工具，包括格式化、统计计算、实体提取。

curl -X POST "http://localhost:8000/tools/text_processor" \
     -H "Content-Type: application/json" \
     -d '{"operation": "statistics", "text": "Example text", "stat_options": ["chars", "words"]}'

图像处理工具

支持调整大小、裁剪和应用过滤器的图像处理工具。

curl -X POST "http://localhost:8000/tools/image_processing" \
     -H "Content-Type: application/json" \
     -d '{"operation": "resize", "image_data": "base64...", "params": {"width": 800, "height": 600}}'

WebSocket API

要连接到 WebSocket API：

const socket = new WebSocket("ws://localhost:8000/ws");

socket.onopen = () => {
  socket.send(JSON.stringify({
    type: "initialize",
    id: "my-request-id"
  }));
};

socket.onmessage = (event) => {
  const data = JSON.parse(event.data);
  console.log("Received:", data);
};

GraphQL API

通过 GraphQL 进行查询的示例：

# Получение списка всех инструментов
query {
  getTools {
    name
    description
  }
}

# Выполнение инструмента
mutation {
  executeTool(input: {
    name: "text_processor",
    parameters: {
      operation: "statistics",
      text: "Example text for analysis"
    }
  }) {
    content {
      type
      text
    }
    is_error
  }
}

运行测试

要运行测试，请使用 Poetry：

poetry run pytest

或者通过 just 实用程序：

just test

Docker

通过 Docker Compose 构建和运行

docker compose up -d

要启动单个服务：

docker compose up -d web redis elasticsearch

与 LLM 集成

MCP Server 提供了标准化接口，可与来自不同供应商的 LLM 模型集成：

import httpx

async def query_mcp_with_llm(prompt: str):
    async with httpx.AsyncClient() as client:
        # Запрос к MCP для получения контекста и инструментов
        tools_response = await client.get("http://localhost:8000/tools")
        tools = tools_response.json()["tools"]

        # Отправка запроса к LLM с включением MCP контекста
        llm_response = await client.post(
            "https://api.example-llm.com/v1/chat",
            json={
                "messages": [
                    {"role": "system", "content": "You have access to the following tools:"},
                    {"role": "user", "content": prompt}
                ],
                "tools": tools,
                "tool_choice": "auto"
            }
        )

        return llm_response.json()

指标和监控

MCP 服务器通过/metrics端点提供 Prometheus 格式的指标。指标包括：

每个工具的请求数量
查询执行时间
错误和异常

发展

格式化代码并使用 linters 检查：

just fmt
just lint

执照

MIT 许可证

MyAIServ MCP Server