Mcpagentre

🚀 MCP_Agent:RE 项目指南

MCP_Agent:RE 是一个用于从 TAPD 平台获取需求和缺陷数据并生成质量分析报告的 Python 项目，旨在为 AI 客户端提供数据支持。以下是项目的详细介绍和使用指南。

对话效果预览

项目收录信息

此项目于 2025 年 6 月 10 日由 punkpeye (Frank Fiegel) 收录于 TAPD Data Fetcher | Glama。

项目代码地址

• 本项目 GitHub 地址：https://github.com/OneCuriousLearner/MCPAgentRE
• 本项目在 Gitee 上同步更新，镜像地址为：https://gitee.com/ChiTsuHa-Tau5_C/MCPAgentRE

✨ 主要特性

本项目提供了丰富的 MCP 工具集，支持 TAPD 数据的获取、处理、分析和智能摘要功能：

数据获取工具

• get_tapd_data() - 从 TAPD API 获取需求和缺陷数据并保存到本地文件，返回数量统计【推荐】
  • 适用于首次获取数据或定期更新本地数据
  • 包含需求和缺陷数据的完整集成
• get_tapd_stories() - 获取 TAPD 项目需求数据，支持分页并直接返回 JSON 数据，但不保存至本地，建议仅在数据量较小时使用
• get_tapd_bugs() - 获取 TAPD 项目缺陷数据，支持分页并直接返回 JSON 数据，但不保存至本地，建议仅在数据量较小时使用

数据预处理工具

• preprocess_tapd_description(data_file_path, output_file_path, use_api, process_documents, process_images) - 清理 TAPD 数据中 description 字段的 HTML 样式，提取文字、链接、图片内容并通过 DeepSeek API 优化表达（需要配置 DeepSeek API 密钥），大幅压缩数据长度同时保留关键信息【仍在开发中...】
• preview_tapd_description_cleaning(data_file_path, item_count) - 预览 description 字段清理效果，展示压缩比例和提取信息，不修改原始数据
• docx_summarizer.py - 提取 .docx 文档中的文本、图片和表格信息，并生成摘要【仍在开发中...】

向量化与搜索工具

• vectorize_data(data_file_path, chunk_size) - 向量化工具，支持自定义数据源的向量化，将数据转换为向量格式，用于后续的语义搜索和分析
• get_vector_info() - 获取简化版向量数据库状态和统计信息
• search_data(query, top_k) - 基于语义相似度的智能搜索，支持自然语言查询，返回与查询最相关的结果

数据生成与分析工具

• generate_fake_tapd_data(n_story_A, n_story_B, n_bug_A, n_bug_B, output_path) - 生成模拟 TAPD 数据，用于测试和演示（若不指明地址，使用后可能会覆盖本地数据，若需要来自 API 的正确数据，请再次调用数据获取工具）
• generate_tapd_overview(since, until, max_total_tokens, model, endpoint, use_local_data) - 使用 LLM 简要生成项目概览报告与摘要，用于了解项目概况（需要在环境中配置 DeepSeek API 密钥）
• analyze_word_frequency(min_frequency, use_extended_fields, data_file_path) - 分析 TAPD 数据的词频分布，生成关键词词云统计，为搜索功能提供精准关键词建议

示例工具

• example_tool(param1, param2) - 示例工具，展示 MCP 工具注册方式

可用的 WorkFlow 脚本

测试用例评估

• mcp_tools\test_case_rules_customer.py - 测试用例评估规则配置脚本，用于配置测试用例的评估标准和优先级
• mcp_tools\test_case_require_list_knowledge_base.py - 测试用例需求知识库生成脚本，可从 TAPD 数据中提取需求信息并生成知识库，或手动修改需求信息
• mcp_tools\test_case_evaluator.py - 测试用例 AI 评估器脚本，用于根据配置的规则评估测试用例质量，并生成评估报告至本地文件

统一接口脚本

位于 mcp_tools\common_utils.py，提供统一的工具接口，简化 MCP 工具的注册和调用，包含的工具如下：

MCPToolsConfig 类

• __init__() - 初始化配置管理器，自动创建项目所需的目录结构（local_data、models、vector_data）
• _get_project_root() - 获取项目根目录的绝对路径
• get_data_file_path(relative_path) - 获取数据文件的绝对路径，支持相对路径自动转换
• get_vector_db_path(name) - 获取向量数据库文件路径，默认为 "data_vector"
• get_model_cache_path() - 获取模型缓存目录路径

ModelManager 类

• __init__(config) - 初始化模型管理器，依赖 MCPToolsConfig 实例
• get_project_model_path(model_name) - 检测本地是否存在指定模型，返回模型路径或 None
• get_model(model_name) - 获取 SentenceTransformer 模型实例，优先使用本地模型，支持自动下载和缓存
• clear_cache() - 清除全局模型缓存，释放内存资源

TextProcessor 类

• extract_text_from_item(item, item_type) - 从 TAPD 数据项（需求/缺陷）中提取关键文本信息，支持不同类型的字段提取策略

FileManager 类

• __init__(config) - 初始化文件管理器，依赖 MCPToolsConfig 实例
• load_tapd_data(file_path) - 加载 TAPD JSON 数据文件，支持绝对路径和相对路径
• load_json_data(file_path) - 加载 JSON 数据文件，支持错误处理，文件不存在时返回空字典
• save_json_data(data, file_path) - 保存数据为 JSON 格式，自动创建目录结构

APIManager 类 【2025 年 7 月 22 日更新】

• __init__() - 初始化 API 管理器，支持 DeepSeek 和 SiliconFlow 双 API 配置
• get_headers(endpoint) - 智能构建 API 请求头，根据 endpoint 自动选择对应的 API 密钥
• call_llm(prompt, session, model, endpoint, max_tokens) - 兼容多 API 的 LLM 调用接口
  • 支持 DeepSeek API（默认）：deepseek-chat、deepseek-reasoner 模型
  • 支持 SiliconFlow API：moonshotai/Kimi-K2-Instruct 等模型
  • 自动检测 API 类型并适配不同的请求格式和错误处理

全局实例管理函数

• get_config() - 获取全局 MCPToolsConfig 实例（单例模式）
• get_model_manager() - 获取全局 ModelManager 实例（单例模式）
• get_file_manager() - 获取全局 FileManager 实例（单例模式）
• get_api_manager() - 获取全局 APIManager 实例（单例模式）

📦 安装指南

以下是将项目移植到其他 Windows 电脑的详细步骤（尚未测试 Mac 与 Linux）：

环境准备

1. 安装 Python 3.10

• 从 Python 官网 下载 Python 3.10.x 安装包（建议 3.10.11，与原环境一致）
• 安装时勾选 Add Python to PATH（关键！否则需手动配置环境变量）
• 验证安装：终端运行 python --version，应输出 Python 3.10.11

2. 安装 uv 工具

• 终端运行 pip install uv（需确保 pip 已随 Python 安装）：

pip install uv

• 验证安装：运行 uv --version，应显示版本信息

项目文件迁移

1. 复制项目目录

• 将原项目目录 D:\MiniProject\MCPAgentRE 完整复制到目标电脑（建议路径无中文/空格，如 D:\MCPAgentRE）

依赖安装

1. 安装项目依赖

• 终端进入项目目录：cd D:\MCPAgentRE（根据实际路径调整）
• 运行依赖安装命令：

uv sync

• 该命令会根据 pyproject.toml 安装所有依赖（包括 MCP SDK、aiohttp 等）

配置调整

1. TAPD API 配置

• 在项目根目录下创建 api.txt 文件，复制下列文本，并替换配置为目标 TAPD 项目的真实值：

API_USER = '替换为你的 TAPD API 用户名'
API_PASSWORD = '替换为你的 TAPD API 密码'
WORKSPACE_ID = '替换为你的 TAPD 项目 ID'

• 注意：TAPD API 用户名和密码需要从 TAPD 平台获取，具体操作请参阅 开放平台文档
• WORKSPACE_ID：TAPD 项目 ID，可通过 TAPD 平台获取
• 提交 Git 时会根据 .gitignore 忽略 api.txt 文件，确保敏感信息不被泄露

2. LLM API 配置（可选） 系统现已支持两种 LLM API 提供商，您可以根据需要选择配置：

DeepSeek API 配置

如果您需要使用智能摘要功能（generate_tapd_overview）或 description 优化功能（preprocess_tapd_description），需要配置 DeepSeek API 密钥：

• 获取 API 密钥：访问 DeepSeek 开放平台 注册并获取 API 密钥
• 设置环境变量（Windows PowerShell）：

# 临时设置（仅当前会话有效）
$env:DS_KEY = "your-deepseek-api-key-here"

# 永久设置（推荐）
[Environment]::SetEnvironmentVariable("DS_KEY", "your-deepseek-api-key-here", "User")

SiliconFlow API 配置 【🆕 2025 年 7 月 22 日新增】

SiliconFlow 提供多种优质模型，包括 Kimi、通义千问等：

• 获取 API 密钥：访问 SiliconFlow 开放平台 注册并获取 API 密钥
• 设置环境变量（Windows PowerShell）：

# 临时设置（仅当前会话有效）
$env:SF_KEY = "your-siliconflow-api-key-here"

# 永久设置（推荐）
[Environment]::SetEnvironmentVariable("SF_KEY", "your-siliconflow-api-key-here", "User")

• 验证配置：

echo $env:DS_KEY
echo $env:SF_KEY

• 注意事项：
  • 设置环境变量后需重启编辑器和 MCP 客户端
  • 如果不配置 API 密钥，智能摘要工具会返回错误提示，但不影响其他功能的使用
  • 详细配置说明请参考 knowledge_documents/DeepSeek API 环境变量配置指南.md

💻 使用示例

测试模式

验证数据获取

uv run tapd_data_fetcher.py

预期输出：

成功加载配置: 用户=********, 工作区=********
===== 开始获取需求数据 =====
需求数据获取完成，共获取 X 条
===== 开始获取缺陷数据 =====
缺陷数据获取完成，共获取 Y 条
数据已成功保存至 msg_from_fetcher.json 文件。

验证 MCP 工具注册

uv run check_mcp_tools.py

输出结果如下：

成功加载配置: 用户=4ikoesFM, 工作区=37857678
✅ MCP 服务器启动成功！
📊 已注册工具数量: 14

🛠️ 已注册的工具列表:
    1. example_tool -
    示例工具函数（用于演示 MCP 工具注册方式）

    功能描述:
        ...
    2. get_tapd_data - 从 TAPD API 获取需求和缺陷数据并保存到本地文件

    功能描述:
        ...

快速验证向量化功能（推荐）

uv run test\vector_quick_start.py

• 该脚本会自动运行数据获取、向量化和搜索功能，验证整体流程是否正常
• 首次使用时需要连接 VPN 以下载模型
• 预期输出：显示向量化成功和搜索演示结果

上下文优化器和假数据生成测试

# 生成模拟 TAPD 数据（用于测试）
uv run mcp_tools\fake_tapd_gen.py

# 使用上下文优化器生成数据概览（离线模式）
uv run mcp_tools\context_optimizer.py -f local_data\msg_from_fetcher.json --offline --debug

# 生成详细摘要（需要配置 API 密钥）
uv run mcp_tools\context_optimizer.py -f local_data\msg_from_fetcher.json --debug

• 环境变量配置（在线模式）：为使用上下文优化器的在线 LLM 功能，需要设置以下环境变量：

set DS_KEY=your_deepseek_api_key        # DeepSeek API 密钥
set DS_EP=https://api.deepseek.com/v1   # API 端点 URL（可选，默认为 DeepSeek）
set DS_MODEL=deepseek-chat          # 模型名称（可选，默认为 deepseek-chat）

• 上下文优化器支持离线模式（--offline 参数）和在线智能摘要生成
• 假数据生成器用于测试和演示，生成符合 TAPD 格式的模拟数据

词频分析工具测试

uv run mcp_tools\word_frequency_analyzer.py

• 该脚本会分析 local_data/msg_from_fetcher.json 中的数据，生成关键词词云统计

文档摘要生成测试（仍在开发中）

uv run mcp_tools\docx_summarizer.py

• 该脚本会提取指定 .docx 文档中的文本、图片和表格信息，并生成摘要
• 预期输出：生成的摘要 JSON 文件和提取的图片、表格文件

测试用例评估器

# 运行自定义规则演示
uv run test\demo_custom_rules.py

# 运行需求单知识库初始化
uv run test\init_requirement_kb.py

# 运行测试用例评估器
uv run mcp_tools\test_case_evaluator.py

• 测试用例评估器会根据配置的规则评估测试用例质量，并生成评估报告
• 首次运行时会自动生成默认规则配置文件 config/test_case_rules.json 与 config/require_list_config.json
• 详细说明请参阅 knowledge_documents\AI 测试用例评估器操作手册.md

API 兼容性测试 【🆕 2025 年 7 月 22 日新增】

uv run test\test_api_compatibility.py

• 该脚本会测试 DeepSeek 和 SiliconFlow 两种 API 的连接性和响应
• 预期输出：显示各 API 的调用结果和响应内容
• 用于验证多 API 配置是否正确

正常模式

MCP 服务器启动

1. 确保 tapd_mcp_server.py 的 main 函数中没有任何 print 语句（或已注释掉），以避免在启动时输出调试信息。
2. 运行 MCP 服务器（此操作将由 AI 客户端根据配置文件自动执行，无需手动操作）：

uv run tapd_mcp_server.py

WorkFlow 脚本运行

评分规则配置

# 查看规则配置
uv run mcp_tools/test_case_rules_customer.py

# 修改规则配置
uv run mcp_tools/test_case_rules_customer.py --config

# 重置为默认配置
uv run mcp_tools/test_case_rules_customer.py --reset

# 查看帮助信息
uv run mcp_tools/test_case_rules_customer.py --help

运行需求单知识库

uv run mcp_tools/test_case_require_list_knowledge_base.py

运行 AI 评估器

uv run mcp_tools/test_case_evaluator.py

📚 详细文档

项目结构

MCPAgentRE\
├─config\                     # 配置文件目录
├─knowledge_documents\        # 知识文档（Git 提交时默认忽略目录下的文件，若要提交请手动在 .gitignore 中取消忽略）
├─documents_data\             # 文档数据目录（暂时，最终将替换至 local_data）
│  ├─docx_data\                   # 存储 .docx 文档的目录
│  ├─excel_data\                  # 存储 Excel 表格的目录
│  └─pictures_data\               # 存储图片的目录
├─local_data\                 # 本地数据目录，用于存储从 TAPD 获取的数据、数据库等（Git 提交时会被忽略）
│  ├─msg_from_fetcher.json        # 从 TAPD 获取的需求和缺陷数据
│  ├─fake_tapd.json               # 假数据生成器生成的模拟 TAPD 数据
│  ├─preprocessed_data.json       # 预处理后的 TAPD 数据
│  └─vector_data\                 # 向量数据库文件目录
│     ├─data_vector.index             # 向量数据库索引文件
│     ├─data_vector.metadata.pkl      # 向量数据库元数据文件
│     └─data_vector.config.json       # 向量数据库配置文件
├─mcp_tools\                  # MCP 工具目录
│  ├─data_vectorizer.py           # 向量化工具，支持自定义数据源的向量化
│  ├─context_optimizer.py         # 上下文优化器，支持智能摘要生成
│  ├─docx_summarizer.py           # 文档摘要生成器，提取 .docx 文档内容
│  ├─fake_tapd_gen.py             # TAPD 假数据生成器，，用于测试和演示
│  ├─word_frequency_analyzer.py   # 词频分析工具，生成关键词词云统计
│  ├─data_preprocessor.py         # 数据预处理工具，清理和优化 TAPD 数据
│  ├─common_utils.py              # 统一的公共工具模块
│  └─example_tool.py              # 示例工具
├─models\                     # 模型目录
├─test\                       # 测试目录
│  ├─test_comprehensive.py        # 综合向量化功能测试
│  ├─test_vectorization.py        # 基础向量化功能测试
│  ├─test_data_vectorizer.py      # 测试完整版 data_vectorizer 工具功能
│  ├─test_word_frequency.py       # 词频分析工具测试
│  └─vector_quick_start.py        # 向量化功能快速启动脚本
├─.gitignore                  # Git 提交时遵守的过滤规则
├─.python-version             # 记录 Python 版本（3.10）
├─提示词-TAPD平台MCP分析助手.md
├─TAPD平台MCP服务器开发指南.md
├─api.txt                     # 包含 API 密钥信息，需要自行创建（Git 提交时会被忽略）
├─main.py                     # 项目入口文件，无实际作用
├─pyproject.toml              # 现代的 Python 依赖管理文件
├─README.md                   # 项目说明文档，也就是本文档
├─tapd_data_fetcher.py        # 包含从 TAPD API 获取需求和缺陷数据的逻辑
├─tapd_mcp_server.py          # MCP 服务器启动脚本，用于提供所有 MCP 工具
└─uv.lock                     # UV 包管理器使用的锁定文件

如何将项目连接到 AI 客户端

前提条件

• 已在本地电脑上完成项目的迁移和验证
• 已安装并运行 MCP 服务器
• 已在本地电脑上安装并运行 AI 客户端（以 Claude Desktop 为例）

连接步骤

1. 打开 Claude Desktop

• 启动 Claude Desktop 客户端

2. 配置 MCP 服务器

• 使用快捷键 Ctrl + , 打开设置页面（或者点击左上角菜单图标 - File - Settings）
• 选择 Developer 选项卡
• 点击 Edit Config 按钮，将会弹出文件资源管理器
• 编辑高亮提示的 claude_desktop_config.json 文件，添加以下内容（若有其他内容，请注意层级关系）：

{
    "mcpServers": {
        "tapd_mcp_server": {
            "command": "uv",
            "args": [
                "--directory",
                "D:\\MiniProject\\MCPAgentRE",
                "run",
                "tapd_mcp_server.py"
            ]
        }
    }
}

• 注意：
  • command 字段指定了运行 MCP 服务器的命令（通常为 uv）
  • args 字段指定了运行 MCP 服务器的参数，包括项目目录（--directory）和运行的脚本文件（run tapd_mcp_server.py）
  • 确保 --directory 指向的是 MCP 服务器所在的目录，即 D:\MiniProject\MCPAgentRE（请按照实际目录修改）
• 保存并关闭文件

测试连接

• 点击 Claude Desktop 界面左上角的 + 按钮，选择 New Chat
• 在新的聊天窗口中，输入以下内容测试基础功能：

请使用 tapd_mcp_server 插件获取 TAPD 项目的需求和缺陷数据

• 点击发送按钮，等待 MCP 服务器返回数据
• 检查返回的数据是否符合预期，包括需求和缺陷的数量和内容

注意事项

• 确保 MCP 服务器的路径和参数配置正确
• 如果 MCP 服务器运行时出现错误，检查 MCP 服务器的日志文件（通常位于 %APPDATA%\Claude\logs）以获取更多信息
• 如果 AI 客户端无法识别 MCP 插件，可能需要重新安装或更新 AI 客户端
• 您可以运行以下命令列出最近的日志并跟踪任何新日志（在 Windows 上，它只会显示最近的日志）：

type "%APPDATA%\Claude\logs\mcp*.log"

扩展 MCP 服务器功能

为了让项目目录结构更清晰，建议将 MCP 工具函数放在 mcp_tools 文件夹中。下面是一个添加新工具函数的示例方法。

添加新工具函数

1. 创建工具函数文件

• 在 mcp_tools 文件夹中创建新的 Python 文件（如 new_tool.py）
• 编写异步函数，示例模板：

async def new_function(param1: str, param2: int) -> dict:
    """
    新工具函数说明
    
    参数:
        param1: 参数说明
        param2: 参数说明
        
    返回:
        返回数据结构说明
    """
    # 函数实现
    return {"result": "处理结果"}

2. 注册工具到服务器

• 在 tapd_mcp_server.py 中添加：
  • 导入语句：from mcp_tools.new_tool import new_function
  • 使用 @mcp.tool() 装饰器注册函数：

@mcp.tool()
async def new_tool(param1: str, param2: int) -> dict:
    """
    工具功能详细说明
    
    参数:
        param1 (str): 参数详细说明
        param2 (int): 参数详细说明
        
    返回:
        dict: 返回数据结构详细说明
    """
    return await new_function(param1, param2)

3. 描述文档最佳实践

• 为 AI 客户端添加清晰的文档：
  • 函数级文档：使用详细的中文说明，包括参数类型和返回值结构
  • 参数说明：明确每个参数的数据类型和预期用途
  • 返回说明：详细描述返回字典的每个字段
  • 示例：提供调用示例和预期输出

🔧 技术细节

本项目是一个用于从 TAPD 平台获取需求和缺陷数据并生成质量分析报告的 Python 项目，旨在为 AI 客户端提供数据支持。项目提供了丰富的 MCP 工具集，支持 TAPD 数据的获取、处理、分析和智能摘要功能。

数据获取工具

• get_tapd_data()：从 TAPD API 获取需求和缺陷数据并保存到本地文件，返回数量统计。该函数适用于首次获取数据或定期更新本地数据，包含需求和缺陷数据的完整集成。
• get_tapd_stories()：获取 TAPD 项目需求数据，支持分页并直接返回 JSON 数据，但不保存至本地，建议仅在数据量较小时使用。
• get_tapd_bugs()：获取 TAPD 项目缺陷数据，支持分页并直接返回 JSON 数据，但不保存至本地，建议仅在数据量较小时使用。

数据预处理工具

• preprocess_tapd_description()：清理 TAPD 数据中 description 字段的 HTML 样式，提取文字、链接、图片内容并通过 DeepSeek API 优化表达（需要配置 DeepSeek API 密钥），大幅压缩数据长度同时保留关键信息。
• preview_tapd_description_cleaning()：预览 description 字段清理效果，展示压缩比例和提取信息，不修改原始数据。
• docx_summarizer.py：提取 .docx 文档中的文本、图片和表格信息，并生成摘要。

向量化与搜索工具

• vectorize_data()：向量化工具，支持自定义数据源的向量化，将数据转换为向量格式，用于后续的语义搜索和分析。
• get_vector_info()：获取简化版向量数据库状态和统计信息。
• search_data()：基于语义相似度的智能搜索，支持自然语言查询，返回与查询最相关的结果。

数据生成与分析工具

• generate_fake_tapd_data()：生成模拟 TAPD 数据，用于测试和演示。
• generate_tapd_overview()：使用 LLM 简要生成项目概览报告与摘要，用于了解项目概况（需要在环境中配置 DeepSeek API 密钥）。
• analyze_word_frequency()：分析 TAPD 数据的词频分布，生成关键词词云统计，为搜索功能提供精准关键词建议。

统一接口脚本

位于 mcp_tools\common_utils.py，提供统一的工具接口，简化 MCP 工具的注册和调用。包含的工具类有 MCPToolsConfig、ModelManager、TextProcessor、FileManager 和 APIManager，以及全局实例管理函数。

项目结构

项目包含多个目录和文件，用于存储配置文件、知识文档、文档数据、本地数据、MCP 工具、模型、测试脚本等。详细的项目结构请参考上文的项目结构部分。

📄 许可证

文档中未提及相关信息，暂无法提供。

📖 相关文档或网址

• TAPD 帮助文档
• TAPD 开放平台文档
• MCP 中文站
• Model Context Protocol
• DeepSeek API Docs
• 创建对话请求 - SiliconFlow

常见问题排查

• 依赖缺失：若提示 ModuleNotFoundError，检查是否执行 uv add 命令，或尝试 uv add <缺失模块名>
• API 连接失败：确认 API_USER / API_PASSWORD / WORKSPACE_ID 正确，且 TAPD 账号有对应项目的读取权限
• Python 版本不匹配：确保目标电脑 Python 版本为 3.10.x（通过 python --version 验证）