Adc MCP Project

🚀 MCP企业AI助手系统

这是一个基于综合模型上下文协议（MCP）的AI应用程序，具备智能服务器选择、专业AI工具和美观的Web界面，可用于企业级文本分析、代码审查、情感分析和知识管理。

✨ 主要特性

🏗️ 真正的MCP（模型上下文协议）实现

• 📋 JSON - RPC 2.0协议：完全符合JSON - RPC 2.0规范
• 🔍 MCP初始化握手：进行正确的服务器能力协商
• 🔄 标准MCP方法：initialize、tools/list、tools/call、resources/list
• ⚡ WebSocket传输：按照MCP规范建立持久连接
• 🎯 工具模式合规性：工具定义采用正确的inputSchema格式

🚀 AI驱动的企业特性

• 🧠 智能服务器选择：基于上下文通过AI路由到合适的服务器
• 📝 文本分析：AI摘要、实体提取和分类
• 🔍 代码审查：自动进行质量分析、错误检测和改进建议
• 😊 情感分析：高级情感检测和情感评分
• 📚 知识管理：文档问答和信息检索
• 🎨 精美Web界面：专业界面，结构化展示结果
• 🔧 可配置AI模型：支持Ollama（本地）和Azure OpenAI

🏗️ 系统架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Web前端       │────│   Flask应用     │────│   MCP主机       │
│   (HTML/JS/CSS) │    │   (Web服务器)   │    │ (AI协调器)      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                                        │
                                               ┌─────────────────┐
                                               │   MCP客户端     │
                                               │ (通信模块)      │
                                               └─────────────────┘
                                                        │
        ┌───────────────────┬───────────────────┬───────────────────┬───────────────────┐
        │                   │                   │                   │                   │
┌───────▼────────┐ ┌────────▼────────┐ ┌───────▼────────┐ ┌────────▼────────┐
│ 文本分析服务器 │ │ 代码审查服务器  │ │ 情感分析服务器 │ │ 知识管理服务器 │
│   端口: 8001   │ │   端口: 8002    │ │   端口: 8003   │ │   端口: 8004    │
└────────────────┘ └─────────────────┘ └────────────────┘ └─────────────────┘

📦 安装指南

1. Python安装

• 需要Python 3.8或更高版本
• 下载地址：https://python.org/downloads/
• 验证安装：python --version 或 py --version

2. Ollama安装与设置

安装Ollama

1. 下载Ollama：访问https://ollama.ai/download
2. 根据操作系统安装：
   • Windows：下载并运行安装程序
   • macOS：brew install ollama
   • Linux：curl -fsSL https://ollama.ai/install.sh | sh

下载所需的AI模型

# 下载Llama 3.2 3B模型（本项目推荐）
ollama pull llama3.2:3b

# 验证模型是否安装
ollama list

启动Ollama服务

# 启动Ollama服务（保持运行）
ollama serve

3. Git安装（用于克隆仓库）

• 下载地址：https://git-scm.com/downloads
• 验证：git --version

步骤1：克隆仓库

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

步骤2：安装Python依赖项

# 安装所需的包
pip install -r requirements.txt

步骤3：验证Ollama模型

# 确保llama3.2:3b可用
ollama list

# 如果未安装，下载它
ollama pull llama3.2:3b

步骤4：配置系统

系统已预先配置为使用：

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

配置文件位于config/目录中。

🚀 快速开始

方法1：自动启动（推荐）

# 启动所有服务器和Web应用程序（Windows）
start_demo_system.bat

# 对于PowerShell
./start_demo_system.bat

方法2：手动启动

# 终端1：启动文本分析服务器
python -m mcp_servers.text_analysis_server

# 终端2：启动代码审查服务器
python -m mcp_servers.code_review_server

# 终端3：启动情感分析服务器
python -m mcp_servers.sentiment_analysis_server

# 终端4：启动知识管理服务器
python -m mcp_servers.knowledge_server

# 终端5：启动Web应用程序
python web_app/app.py

步骤5：访问应用程序

1. 打开浏览器
2. 访问：http://localhost:5000
3. 开始与AI助手交互！

💻 使用示例

文本分析

"Summarize this text: [你的文本内容]"
"Extract entities from: [你的文本]"
"Classify this content: [你的内容]"

代码审查

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

情感分析

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

知识管理

"Search for information about: [主题]"
"What do you know about: [主题]"
"Find documents related to: [查询内容]"

📚 详细文档

JSON - RPC 2.0合规性

所有通信遵循JSON - RPC 2.0规范：

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

MCP标准方法

• initialize：服务器能力握手
• tools/list：获取可用工具及其模式
• tools/call：使用参数执行工具
• resources/list：列出可用资源
• resources/read：读取资源内容

工具模式格式

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

🔧 技术细节

AI模型配置

编辑config/mcp_config.json：

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

服务器端口

• 文本分析：8001
• 代码审查：8002
• 情感分析：8003
• 知识管理：8004
• Web界面：5000

🛠️ 故障排除

常见问题

1. “Ollama未找到”错误

   # 确保Ollama正在运行
   ollama serve
   

2. “模型未找到”错误

   # 下载所需的模型
   ollama pull llama3.2:3b
   

3. 端口已被使用

   # 检查哪些进程正在使用端口
   netstat -ano | findstr :8001
   # 如果需要，终止进程
   kill_all_servers.bat
   

4. Python模块未找到

   # 重新安装依赖项
   pip install -r requirements.txt
   

实用脚本

• check_ports.bat - 检查哪些端口正在使用
• kill_all_servers.bat - 停止所有正在运行的服务器
• start_demo_system.bat - 启动整个系统

🎓 工作坊活动

活动1：基础设置（15分钟）

1. 安装先决条件（Python、Ollama）
2. 下载llama3.2:3b模型
3. 克隆并设置项目
4. 启动系统并验证其是否正常工作

活动2：理解MCP（20分钟）

1. 探索系统架构
2. 研究AI路由的工作原理
3. 测试不同类型的查询
4. 观察服务器选择逻辑

活动3：定制（25分钟）

1. 修改服务器响应
2. 添加新的AI工具
3. 定制Web界面
4. 尝试不同的AI模型

活动4：高级功能（20分钟）

1. 实现自定义服务器逻辑
2. 添加新的MCP服务器
3. 集成外部API
4. 部署到生产环境

📁 项目结构

ADC_MCP_Project/
├── mcp_servers/           # MCP服务器实现
│   ├── text_analysis_server.py
│   ├── code_review_server.py
│   ├── sentiment_analysis_server.py
│   └── knowledge_server.py
├── mcp_client/            # 用于通信的MCP客户端
│   └── client.py
├── mcp_host/              # AI驱动的MCP主机
│   ├── host.py
│   └── ai_models.py
├── web_app/               # Flask Web应用程序
│   ├── app.py
│   ├── templates/
│   └── static/
├── config/                # 配置文件
│   └── mcp_config.json
├── scripts/               # 实用脚本
└── requirements.txt       # Python依赖项

🤝 贡献指南

1. 分叉仓库
2. 创建功能分支：git checkout -b feature-name
3. 进行更改
4. 彻底测试
5. 提交拉取请求

代码风格

• 遵循Python代码的PEP 8规范
• 使用有意义的变量和函数名
• 为类和函数添加文档字符串
• 注释复杂逻辑

📄 许可证

本项目遵循MIT许可证 - 详情请参阅LICENSE文件。

🆘 支持

• 问题反馈：通过GitHub Issues报告错误和请求功能
• 文档查阅：查看项目文件获取详细指南
• 社区交流：加入讨论以获取帮助和协作

🎉 致谢

• 基于模型上下文协议（MCP）框架构建
• 由Ollama和Llama 3.2 AI模型提供支持
• 受企业AI自动化需求启发

编码愉快！🚀 准备好探索AI驱动的企业应用程序的未来！

性能

资源使用

• 内存：约200 - 500MB（取决于AI模型）
• CPU：低（AI推理时会有峰值）
• 网络：最小（本地WebSocket通信）

可扩展性

• 每个服务器可以处理多个并发连接
• 常见查询的AI模型响应会被缓存
• WebSocket连接持久且高效

安全

当前实现

• 仅本地通信（localhost）
• 无需身份验证
• 使用模拟数据进行演示

生产环境考虑

• 添加身份验证和授权
• 使用HTTPS/WSS进行加密通信
• 实现速率限制
• 添加输入验证和清理
• 使用具有适当安全性的真实数据库

未来增强

• [ ] 添加更多服务器类型（天气、新闻等）
• [ ] 实现用户身份验证
• [ ] 添加持久数据存储
• [ ] 同时支持多个AI模型
• [ ] 实时通知
• [ ] 改进移动响应性
• [ ] 使用Swagger的API文档
• [ ] Docker容器化
• [ ] 支持Kubernetes部署
• [ ] 监控和指标仪表盘