Watsonx MCP Server

本项目是一个基于IBM Watsonx.ai和MCP协议的Python聊天机器人服务器，提供医疗咨询功能，支持通过Flask构建Web界面，实现症状诊断和个性化问候。

人工智能聊天机器人客户支持 #医疗聊天 #MCP服务 #Watsonx .Python

rating : 2 points

downloads : 15

update time : 2025-04-29

什么是基于Watsonx.ai的MCP聊天机器人服务器？

这是一个通过Model Context Protocol (MCP)协议提供服务的聊天机器人服务器，它使用IBM Watsonx.ai的先进大语言模型来生成智能响应。无论您是在开发内部帮助台还是公共聊天机器人API，这种模式都易于扩展和适应。

如何使用这个服务器？

首先，确保您的环境已正确配置。然后运行服务器脚本，使用客户端工具进行交互。例如，您可以使用MCP Inspector来测试聊天工具。

适用场景

适用于需要强大语言模型支持的聊天应用，如客服系统、医疗咨询助手等。

主要功能

多用途聊天工具支持通过MCP协议调用聊天工具，实现人机对话交互。

个性化问候可以动态生成个性化的问候语，提升用户体验。

症状评估工具集成症状评估工具，能够根据用户输入的症状生成医学建议。

优势与局限性

优势

强大的语言模型支持，生成高质量响应。

模块化设计，易于扩展和复用。

支持多种客户端，如MCP Inspector、自定义Python客户端等。

局限性

需要一定的技术基础来设置环境和运行服务器。

某些高级功能可能需要额外的费用或资源。

对网络延迟敏感，可能在低带宽环境下表现不佳。

如何使用

安装依赖项

确保Python 3.9+已安装，并创建虚拟环境以安装所需依赖项。

配置环境变量

创建.env文件并添加您的Watsonx.ai凭据。

启动服务器

运行server.py脚本以启动MCP服务器。

测试聊天工具

使用MCP Inspector连接到服务器并测试聊天工具。

使用案例

基本聊天示例向聊天工具发送简单消息并接收回复。

症状评估示例输入症状并获取医学建议。

常见问题

如何加载.env文件？

为什么连接失败？

是否支持自定义提示词？

🚀 使用Watsonx.ai构建全栈聊天机器人服务器的完整指南

本项目展示了如何使用Watsonx.ai构建一个全栈聊天机器人，并借助MCP（机器学习平台）进行管理。该方案具备清晰的分层架构，可实现对话状态存储、支持多轮对话，还能与Watsonx.ai的强大LLM（大语言模型）集成。

🚀 快速开始

读者可通过运行server.py和chatbot.py脚本，结合HTML模板文件来体验完整的聊天机器人功能。

✨ 主要特性

采用清晰的分层架构，便于维护、扩展和优化。
实现对话状态存储，支持多轮对话。
与Watsonx.ai的强大LLM集成。

📦 安装指南

文档中未提及具体安装步骤，可参考以下最佳实践进行环境准备：

使用虚拟环境管理依赖。
配置.env文件来存储敏感信息。
启用错误日志记录以便调试。
定期更新模型版本以获得最佳性能。

💻 使用示例

基础用法

运行以下脚本启动项目：

# 运行主服务器入口，启动Flask应用
# server.py
from flask import Flask, request, render_template, redirect, url_for
import os

app = Flask(__name__)

@app.route('/')
def home():
    return render_template('index.html')

@app.route('/symptoms', methods=['POST'])
def symptoms():
    name = request.form.get('name')
    return render_template('symptoms.html', greeting=f'Hello {name}!')

@app.route('/diagnosis', methods=['POST'])
def diagnosis():
    symptoms = request.form.get('symptoms')
    # 调用MCP服务获取诊断结果
    result = call_watsonx(symptoms)
    return render_template('diagnosis.html', diagnosis=result)

if __name__ == '__main__':
    app.run(debug=True, port=5000)

# 初始化MCP客户端，负责调用Watsonx.ai服务
# chatbot.py
import os
from mcp.clients import MCPClient

# 初始化MCP客户端
mcp = MCPClient(
    endpoint=os.getenv('MCP_ENDPOINT'), 
    api_key=os.getenv('MCP_API_KEY'),
    verbose=True  # 启用调试模式输出
)

def call_watsonx(symptoms):
    # 使用预定义的WatsonX模型进行诊断
    response = mcp.chat(
        model='watsonx-33b-instruct', 
        messages=[{
            'role': 'user',
            'content': f'Based on the symptoms {symptoms}, provide a medical diagnosis and recommendations.'
        }]
    )
    return response.choices[0].message.content

高级用法

可参考以下扩展建议对项目进行扩展：

实现会话状态存储（使用Redis）。
添加用户认证功能。
集成第三方医疗知识库。
优化UI界面增加更多交互功能。

📚 详细文档

项目结构

project/
├── server.py           # 主服务器入口，启动Flask应用
├── chatbot.py         # MCP客户端，负责调用Watsonx.ai服务
├── templates/         # HTML模板文件夹，包含三个页面的模版
│   ├── index.html     # 首页，收集用户姓名
│   ├── symptoms.html  # 症状输入页面
│   └── diagnosis.html # 诊断结果展示页面
└── assets/            # 存放截图和其他资源文件

HTML模板实现

首页（index.html）

<!DOCTYPE html>
<html>
<head>
    <title>Watsonx Chatbot</title>
</head>
<body>
    <h1>Welcome to Watsonx Chatbot</h1>
    <form method="post">
        <label>Your Name:</label><br>
        <input type="text" name="name"><br>
        <button type="submit">Start Chatting</button>
    </form>
</body>
</html>

症状页面（symptoms.html）

<!DOCTYPE html>
<html>
<head>
    <title>Report Symptoms</title>
</head>
<body>
    <h1>{{ greeting }}</h1>
    <h2>Please describe your symptoms:</h2>
    <form method="post">
        <textarea name="symptoms" rows="4"></textarea><br>
        <button type="submit">Submit</button>
    </form>
</body>
</html>

诊断页面（diagnosis.html）

<!DOCTYPE html>
<html>
<head>
    <title>Diagnosis Result</title>
</head>
<body>
    <h1>Your Medical Diagnosis:</h1>
    <pre>{{ diagnosis }}</pre>
</body>
</html>

🔧 技术细节

本项目通过Flask提供Web界面，并与Watsonx.ai的LLM服务无缝集成。采用分层架构，server.py作为主服务器入口启动Flask应用，chatbot.py作为MCP客户端负责调用Watsonx.ai服务，HTML模板文件提供用户交互界面。

📄 故障排除

常见问题及解决方案

属性	详情
无法连接到MCP服务	检查环境变量是否正确配置，确保API密钥有效
诊断结果为空	确保症状描述完整且清晰
页面加载失败	检查服务器是否正常运行在5000端口