Adc MCP Project

🚀 MCP企業AI助手系統

這是一個基於綜合模型上下文協議（MCP）的AI應用程序，具備智能服務器選擇、專業AI工具和美觀的Web界面，可用於企業級文本分析、代碼審查、情感分析和知識管理。

✨ 主要特性

🏗️ 真正的MCP（模型上下文協議）實現

• 📋 JSON - RPC 2.0協議：完全符合JSON - RPC 2.0規範
• 🔍 MCP初始化握手：進行正確的服務器能力協商
• 🔄 標準MCP方法：initialize、tools/list、tools/call、resources/list
• ⚡ WebSocket傳輸：按照MCP規範建立持久連接
• 🎯 工具模式合規性：工具定義採用正確的inputSchema格式

🚀 AI驅動的企業特性

• 🧠 智能服務器選擇：基於上下文通過AI路由到合適的服務器
• 📝 文本分析：AI摘要、實體提取和分類
• 🔍 代碼審查：自動進行質量分析、錯誤檢測和改進建議
• 😊 情感分析：高級情感檢測和情感評分
• 📚 知識管理：文檔問答和信息檢索
• 🎨 精美Web界面：專業界面，結構化展示結果
• 🔧 可配置AI模型：支持Ollama（本地）和Azure OpenAI

🏗️ 系統架構

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Web前端       │────│   Flask應用     │────│   MCP主機       │
│   (HTML/JS/CSS) │    │   (Web服務器)   │    │ (AI協調器)      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                                        │
                                               ┌─────────────────┐
                                               │   MCP客戶端     │
                                               │ (通信模塊)      │
                                               └─────────────────┘
                                                        │
        ┌───────────────────┬───────────────────┬───────────────────┬───────────────────┐
        │                   │                   │                   │                   │
┌───────▼────────┐ ┌────────▼────────┐ ┌───────▼────────┐ ┌────────▼────────┐
│ 文本分析服務器 │ │ 代碼審查服務器  │ │ 情感分析服務器 │ │ 知識管理服務器 │
│   端口: 8001   │ │   端口: 8002    │ │   端口: 8003   │ │   端口: 8004    │
└────────────────┘ └─────────────────┘ └────────────────┘ └─────────────────┘

📦 安裝指南

1. Python安裝

• 需要Python 3.8或更高版本
• 下載地址：https://python.org/downloads/
• 驗證安裝：python --version 或 py --version

2. Ollama安裝與設置

安裝Ollama

1. 下載Ollama：訪問https://ollama.ai/download
2. 根據操作系統安裝：
   • Windows：下載並運行安裝程序
   • macOS：brew install ollama
   • Linux：curl -fsSL https://ollama.ai/install.sh | sh

下載所需的AI模型

# 下載Llama 3.2 3B模型（本項目推薦）
ollama pull llama3.2:3b

# 驗證模型是否安裝
ollama list

啟動Ollama服務

# 啟動Ollama服務（保持運行）
ollama serve

3. Git安裝（用於克隆倉庫）

• 下載地址：https://git-scm.com/downloads
• 驗證：git --version

步驟1：克隆倉庫

git clone https://github.com/harunraseed07/ADC_MCP_Project.git
cd ADC_MCP_Project

步驟2：安裝Python依賴項

# 安裝所需的包
pip install -r requirements.txt

步驟3：驗證Ollama模型

# 確保llama3.2:3b可用
ollama list

# 如果未安裝，下載它
ollama pull llama3.2:3b

步驟4：配置系統

系統已預先配置為使用：

• AI提供商：Ollama（本地）
• 模型：llama3.2:3b
• 端口：MCP服務器使用8001 - 8004，Web界面使用5000

配置文件位於config/目錄中。

🚀 快速開始

方法1：自動啟動（推薦）

# 啟動所有服務器和Web應用程序（Windows）
start_demo_system.bat

# 對於PowerShell
./start_demo_system.bat

方法2：手動啟動

# 終端1：啟動文本分析服務器
python -m mcp_servers.text_analysis_server

# 終端2：啟動代碼審查服務器
python -m mcp_servers.code_review_server

# 終端3：啟動情感分析服務器
python -m mcp_servers.sentiment_analysis_server

# 終端4：啟動知識管理服務器
python -m mcp_servers.knowledge_server

# 終端5：啟動Web應用程序
python web_app/app.py

步驟5：訪問應用程序

1. 打開瀏覽器
2. 訪問：http://localhost:5000
3. 開始與AI助手交互！

💻 使用示例

文本分析

"Summarize this text: [你的文本內容]"
"Extract entities from: [你的文本]"
"Classify this content: [你的內容]"

代碼審查

"Review this Python code: def function_name():"
"Check this JavaScript for bugs: [你的代碼]"
"Analyze code quality: [你的代碼]"

情感分析

"Analyze sentiment: I love this product!"
"What's the emotion in: [你的文本]"
"Sentiment of customer feedback: [反饋內容]"

知識管理

"Search for information about: [主題]"
"What do you know about: [主題]"
"Find documents related to: [查詢內容]"

📚 詳細文檔

JSON - RPC 2.0合規性

所有通信遵循JSON - RPC 2.0規範：

{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
        "name": "summarize_text",
        "arguments": {"text": "你的文本內容"}
    }
}

MCP標準方法

• initialize：服務器能力握手
• tools/list：獲取可用工具及其模式
• tools/call：使用參數執行工具
• resources/list：列出可用資源
• resources/read：讀取資源內容

工具模式格式

{
    "name": "summarize_text",
    "description": "AI驅動的文本摘要",
    "inputSchema": {
        "type": "object",
        "properties": {
            "text": {
                "type": "string",
                "description": "要摘要的文本"
            }
        },
        "required": ["text"]
    }
}

🔧 技術細節

AI模型配置

編輯config/mcp_config.json：

{
    "ai_provider": "ollama",
    "ai_model": "llama3.2:3b",
    "ai_base_url": "http://localhost:11434"
}

服務器端口

• 文本分析：8001
• 代碼審查：8002
• 情感分析：8003
• 知識管理：8004
• Web界面：5000

🛠️ 故障排除

常見問題

1. “Ollama未找到”錯誤

   # 確保Ollama正在運行
   ollama serve
   

2. “模型未找到”錯誤

   # 下載所需的模型
   ollama pull llama3.2:3b
   

3. 端口已被使用

   # 檢查哪些進程正在使用端口
   netstat -ano | findstr :8001
   # 如果需要，終止進程
   kill_all_servers.bat
   

4. Python模塊未找到

   # 重新安裝依賴項
   pip install -r requirements.txt
   

實用腳本

• check_ports.bat - 檢查哪些端口正在使用
• kill_all_servers.bat - 停止所有正在運行的服務器
• start_demo_system.bat - 啟動整個系統

🎓 工作坊活動

活動1：基礎設置（15分鐘）

1. 安裝先決條件（Python、Ollama）
2. 下載llama3.2:3b模型
3. 克隆並設置項目
4. 啟動系統並驗證其是否正常工作

活動2：理解MCP（20分鐘）

1. 探索系統架構
2. 研究AI路由的工作原理
3. 測試不同類型的查詢
4. 觀察服務器選擇邏輯

活動3：定製（25分鐘）

1. 修改服務器響應
2. 添加新的AI工具
3. 定製Web界面
4. 嘗試不同的AI模型

活動4：高級功能（20分鐘）

1. 實現自定義服務器邏輯
2. 添加新的MCP服務器
3. 集成外部API
4. 部署到生產環境

📁 項目結構

ADC_MCP_Project/
├── mcp_servers/           # MCP服務器實現
│   ├── text_analysis_server.py
│   ├── code_review_server.py
│   ├── sentiment_analysis_server.py
│   └── knowledge_server.py
├── mcp_client/            # 用於通信的MCP客戶端
│   └── client.py
├── mcp_host/              # AI驅動的MCP主機
│   ├── host.py
│   └── ai_models.py
├── web_app/               # Flask Web應用程序
│   ├── app.py
│   ├── templates/
│   └── static/
├── config/                # 配置文件
│   └── mcp_config.json
├── scripts/               # 實用腳本
└── requirements.txt       # Python依賴項

🤝 貢獻指南

1. 分叉倉庫
2. 創建功能分支：git checkout -b feature-name
3. 進行更改
4. 徹底測試
5. 提交拉取請求

代碼風格

• 遵循Python代碼的PEP 8規範
• 使用有意義的變量和函數名
• 為類和函數添加文檔字符串
• 註釋複雜邏輯

📄 許可證

本項目遵循MIT許可證 - 詳情請參閱LICENSE文件。

🆘 支持

• 問題反饋：通過GitHub Issues報告錯誤和請求功能
• 文檔查閱：查看項目文件獲取詳細指南
• 社區交流：加入討論以獲取幫助和協作

🎉 致謝

• 基於模型上下文協議（MCP）框架構建
• 由Ollama和Llama 3.2 AI模型提供支持
• 受企業AI自動化需求啟發

編碼愉快！🚀 準備好探索AI驅動的企業應用程序的未來！

性能

資源使用

• 內存：約200 - 500MB（取決於AI模型）
• CPU：低（AI推理時會有峰值）
• 網絡：最小（本地WebSocket通信）

可擴展性

• 每個服務器可以處理多個併發連接
• 常見查詢的AI模型響應會被緩存
• WebSocket連接持久且高效

安全

當前實現

• 僅本地通信（localhost）
• 無需身份驗證
• 使用模擬數據進行演示

生產環境考慮

• 添加身份驗證和授權
• 使用HTTPS/WSS進行加密通信
• 實現速率限制
• 添加輸入驗證和清理
• 使用具有適當安全性的真實數據庫

未來增強

• [ ] 添加更多服務器類型（天氣、新聞等）
• [ ] 實現用戶身份驗證
• [ ] 添加持久數據存儲
• [ ] 同時支持多個AI模型
• [ ] 即時通知
• [ ] 改進移動響應性
• [ ] 使用Swagger的API文檔
• [ ] Docker容器化
• [ ] 支持Kubernetes部署
• [ ] 監控和指標儀表盤