tv-recommender-mcp-server

English Version

TV推荐MCP服务器 🚀

基于TMDb API的美剧推荐MCP服务器，提供按类型推荐、相似剧集推荐和剧集详情功能。

项目描述

本项目是一个基于MCP(Model Context Protocol)的服务器，专门用于提供全面的美剧推荐和信息查询服务。服务器通过标准输入/输出(stdio)与支持MCP的客户端通信，并通过调用TMDb(The Movie Database) API获取数据。服务覆盖从剧集发现、详情查询到观看渠道、演员信息、用户评论等多方面功能，为用户提供一站式剧集探索体验。

项目背景与愿景

大型语言模型（LLM）在理解和生成文本方面表现出色，但在提供实时、个性化的美剧推荐方面存在局限性（如知识截止、缺乏用户偏好理解）。用户期望通过自然语言交互获得更精准、更及时的推荐，而现有LLM难以完全满足此需求。本项目旨在通过Model Context Protocol (MCP) Server扩展LLM的能力，解决这一痛点，抓住提供更智能影视发现体验的机会。

愿景： 让用户能够通过与LLM的自然对话，无缝地发现、了解并获取个性化、实时、可解释的美剧推荐，将LLM变为强大的个人娱乐顾问。

目标用户

主要目标用户是熟悉并使用支持MCP的LLM客户端（如Claude Desktop）的个人用户。他们是美剧爱好者，对通过AI获取信息持开放态度，并希望以更自然、交互的方式发现符合口味的新剧集。

系统架构

此MCP服务器采用模块化设计，具有明确的关注点分离。服务器初始化MCP框架，注册各种推荐工具，并使用TMDb客户端与TMDb API交互。配置设置（特别是TMDb API密钥）通过环境变量管理。

高级架构图

核心组件

• MCP服务器实现：服务器基于Model Context Protocol SDK for TypeScript构建，提供工具注册和客户端通信的基础。
• TMDb客户端：负责与TMDb API的所有交互，处理认证、构建API请求并处理响应。
• 推荐工具：服务器公开各种工具，提供与电视节目发现和信息检索相关的特定功能。

功能与路线图 (Features & Roadmap)

以下是本项目的完整功能列表及开发状态 (基于 .ai 目录下的用户故事):

Epic 1: 核心推荐工具 MVP (Core Recommendation Tools MVP)

• MCP 服务器基础设置与 API 集成 (MCP Server Setup & API Integration) (story-1-1-setup-integration.md)
• 按类型推荐剧集 (Recommend Shows by Genre) (story-1-2-recommend-genre.md) - 工具: get_recommendations_by_genre
• 查找相似剧集 (Find Similar Shows) (story-1-3-recommend-similar.md) - 工具: get_similar_shows
• 获取剧集详情 (Get Show Details) (story-1-4-show-details.md) - 工具: get_show_details

Epic 2: 增强与扩展 (Enhancements & Expansion)

• 基于关键词/主题发现 (Keyword/Theme Based Discovery) (story-2-1-keyword-discovery.md)
• 发现演员早期作品 (Early Actor Works Discovery) (story-2-2-early-works.md)
• 详细的单集信息与互动 (Detailed Episode Information & Interaction) (story-2-3-episode-details.md)
• 内容聚合(按平台/网络/公司) (Provider/Network/Company Content Aggregation) (story-2-4-provider-aggregation.md)
• 查询演员信息及其作品 (Query Actor Information and Credits) (story-2-5-actor-info.md) - 工具: get_actor_details_and_credits, find_shows_by_actor, get_recommendations_by_actor
• 高级剧集发现 (Advanced Show Discovery) (story-2-6-advanced-discovery.md) - 工具: discover_shows
• 查询热门与趋势剧集 (Query Popular & Trending Shows) (story-2-7-popular-trending.md) - 工具: get_popular_shows, get_trending_shows
• 查询剧集用户评论 (Query Show User Reviews) (story-2-8-reviews-ratings.md) - 工具: get_show_reviews
• 查询剧集预告片与视频 (Query Show Trailers & Videos) (story-2-9-trailers.md) - 工具: get_show_videos
• 查询剧集观看渠道 (Query Show Watch Providers) (story-2-10-watch-providers.md) - 工具: get_watch_providers

Epic 3: 个性化与集成 (Personalization & Integration)

• 智能追剧进度管理 (Smart Watch Progress Management) (story-3-1-watch-progress.md)

Epic 4: 可视化与探索 (Visualization & Exploration)

• 可视化系列/宇宙探索 (Visual Franchise/Universe Exploration) (story-4-1-franchise-visualization.md)

技术栈

• 语言: TypeScript
• 运行时环境: Node.js
• MCP SDK: @modelcontextprotocol/sdk
• 类型验证: zod
• HTTP客户端: axios
• 外部API: TMDb (The Movie Database)
• 环境变量管理: dotenv

快速开始

使用npx可以快速运行服务器，无需安装：

安装步骤

1. 从NPM安装
   npm install -g tv-recommender-mcp-server
2. 配置环境变量
   export TMDB_API_KEY=your_api_key_here
3. 运行服务器
   tv-recommender-mcp-server

或者，您可以克隆仓库：

1. 克隆仓库
   git clone <仓库地址> cd tv-recommender-mcp-server
2. 安装依赖
   npm install
3. 配置环境变量
   • 复制.env-example为.env
   • 在TMDb申请API密钥
   • 将API密钥填入.env文件的TMDB_API_KEY字段
4. 构建并运行项目
   npm run build npm start

在Smithery平台中使用

要在Smithery平台中使用此MCP服务器，请按照以下步骤操作：

1. 访问 Smithery平台 并登录您的账户
2. 搜索"@terryso/tv-recommender-mcp-server"或直接访问 tv-recommender-mcp-server
3. 点击"Install"按钮安装此服务
4. 重要: 在配置过程中，您需要提供一个TMDb API密钥
   • 您可以在 TMDb 网站注册并申请免费API密钥
   • 在输入框中填入您的API密钥
5. 完成安装后，您可以在任何支持Smithery工具的AI聊天中使用此服务

在Cursor中配置MCP服务器

要在Cursor中使用此MCP服务器，请按照以下步骤操作：

1. 在项目根目录创建（或编辑）.cursor/mcp.json文件
2. 在文件中配置服务器信息，格式如下（使用npx方式）：
   { "mcpServers": { "TVRecommender": { "command": "npx", "args": [ "tv-recommender-mcp-server" ] } } }
3. 使用环境变量传递TMDb API密钥：
   { "mcpServers": { "TVRecommender": { "command": "env", "args": [ "TMDB_API_KEY=your_api_key_here", "npx", "tv-recommender-mcp-server" ] } } }
4. 保存文件后，Cursor会自动检测并加载此MCP服务器
5. 现在，您可以在Cursor中通过以下方式使用此工具：
   • 在对话中输入 / 并选择 TVRecommender 工具
   • 输入相关查询，如 "推荐科幻类电视剧" 或 "查找与《权力的游戏》相似的剧集"
6. 如需调试或查看日志：
   • 在Cursor的开发者工具中（按 Cmd+Option+I 打开）查看控制台输出
   • 通过环境变量启用调试模式："DEBUG=mcp:*,npx tv-recommender-mcp-server"

使用场景示例

以下是几个实际使用场景示例，展示如何结合多个工具获得更好的体验：

1. 发现新剧集：
   • 使用 get_popular_shows 或 get_trending_shows 获取当前热门剧集
   • 找到感兴趣的剧集后，用 get_show_details 查看详情
   • 通过 get_show_videos 观看预告片
   • 使用 get_watch_providers 查找哪里可以观看
2. 基于喜爱的演员探索：
   • 通过 get_actor_details_and_credits 查看喜欢的演员的所有作品
   • 使用 get_recommendations_by_actor 获取与该演员相关的推荐
   • 对感兴趣的剧集，用 get_show_reviews 查看其他观众的评价
3. 精确筛选剧集：
   • 使用 discover_shows 结合多种条件（类型、年代、评分、关键词等）精确查找符合个人口味的剧集
   • 例如：查找2020年后的高分科幻剧集，或者查找特定电视网络（如HBO、Netflix）的原创剧集
4. 相似内容探索：
   • 看完一部喜欢的剧集后，使用 get_similar_shows 寻找风格相似的其他剧集
   • 结合 get_recommendations_by_genre 探索更多同类型优质内容

以上功能可以在AI聊天中自然地组合使用，例如可以对AI说"推荐一些类似《怪奇物语》的科幻剧，并告诉我在哪里可以观看"，MCP工具会自动配合AI提供所需信息。

工具说明

本MCP服务器提供以下工具:

1. get_recommendations_by_genre - 按类型获取剧集推荐
2. get_similar_shows - 获取与指定剧集相似的推荐
3. get_show_details - 获取指定剧集的详细信息
4. get_watch_providers - 查询特定剧集在指定国家/地区的观看渠道（流媒体、租赁、购买）
5. discover_shows - 高级剧集发现，支持多种条件组合（如类型、评分、年份、关键词、播放平台等）
6. find_shows_by_actor - 查找演员参演的剧集
7. get_recommendations_by_actor - 获取演员推荐的剧集
8. get_actor_details_and_credits - 获取演员详细信息（如简介、照片）及其参演的剧集列表
9. get_popular_shows - 获取当前最热门的剧集
10. get_trending_shows - 获取近期趋势剧集（支持日趋势和周趋势）
11. get_show_videos - 获取指定剧集的预告片和相关视频
12. get_show_reviews - 查看其他用户对特定剧集的评论

工具详细文档

更多关于工具使用和系统架构的详细文档，请访问我们的DeepWiki文档，其中包含：

• 工具实现架构
• 请求流程图
• 部署和配置指南
• 各工具的详细参数说明
• 开发和测试指南
• 项目路线图等

功能示例

以下是各工具的使用示例:

获取观看渠道

高级剧集发现

查询演员信息及作品

获取热门与趋势剧集

获取剧集预告片与视频

查询剧集用户评论

安全考量

• API Key管理：TMDb API密钥是敏感的，不应硬编码在源代码中或提交到版本控制系统。它将仅通过环境变量使用dotenv包加载。.env文件必须包含在.gitignore中。
• 输入验证：尽管MCP通信通常在客户端/服务器之间受信任，但建议在工具实现中进行基本的输入参数验证。
• 速率限制：请注意TMDb API的速率限制。如有必要，请在未来的迭代中实现基本的重试逻辑或缓存。
• 依赖项：保持依赖项更新，以修补已知的漏洞。

开发模式

如果您希望参与开发，可以使用以下命令启动开发模式：

发布到NPM

本项目配置了GitHub Actions工作流，可以自动发布到NPM：

1. 确保更新了package.json中的版本号
2. 在GitHub仓库设置中添加以下密钥：
   • NPM_TOKEN: 您的NPM访问令牌
3. 在GitHub上创建一个新的Release或推送标签（v*格式）
4. GitHub Actions会自动构建并发布到NPM

您也可以手动触发工作流进行发布。

贡献指南

欢迎提交Issue和Pull Request来帮助改进这个项目。

许可证

MIT © 2023-present