MCP Workers Ai

MCP Workers AI是一个为Cloudflare Workers设计的SDK，用于集成和调用各种MCP服务器工具，如GitLab和Slack，通过AI模型实现自动化操作。

开发者工具人工智能聊天机器人 #AI工具集成 #自动化操作 #云服务SDK #工作流自动化 .JavaScript

评分 : 2.5分

下载量 : 21

更新时间 : 2025-04-29

什么是MCP Workers AI?

MCP Workers AI是一个专为Cloudflare Workers设计的SDK，允许开发者轻松集成各种MCP服务器工具（如GitLab、Slack等）到AI应用中。它简化了AI模型调用外部工具的过程。

如何使用MCP Workers AI?

通过简单的安装和配置，您可以将各种MCP工具加载到Cloudflare Worker中，然后通过AI模型调用这些工具完成特定任务。

适用场景

适用于需要AI与外部服务（如代码仓库、通讯工具）交互的场景，例如自动提交代码、发送通知等。

主要功能

多工具集成支持同时加载多个MCP服务器工具（GitLab、Slack等）

AI工具调用提供简洁的API让AI模型选择并调用合适的工具

Cloudflare集成专为Cloudflare Workers环境优化

优势与局限性

优势

简化AI与外部服务的集成

支持多种流行服务

与Cloudflare Workers无缝协作

局限性

目前仅支持有限的工具集

需要Cloudflare Workers环境

需要配置API密钥等敏感信息

如何使用

安装SDK

使用yarn或npm安装mcp-workers-ai包

配置环境变量

在wrangler配置文件中设置必要的API密钥

加载工具

在Worker代码中导入并加载需要的工具

调用工具

通过AI模型选择工具并执行

使用案例

向GitLab提交文件通过AI指令向GitLab仓库创建并提交新文件

常见问题

需要哪些前提条件才能使用?

支持哪些AI模型?

如何添加新的工具支持?

🚀 MCP 工人 AI

为 Cloudflare Workers 打造的 MCP 服务器 SDK，可助力开发者在 Cloudflare Workers 环境中便捷使用 MCP 相关服务，实现特定工具的加载与调用。

🚀 快速开始

📦 安装指南

你可以使用以下两种方式安装 mcp-workers-ai：

yarn add mcp-workers-ai
# 或者
npm install -S mcp-workers-ai

💻 使用示例

基础用法

加载 MCP 服务器工具：

import { loadTools } from "mcp-workers-ai"

const tools = await loadTools([
  import("@modelcontextprotocol/server-gitlab"),
  import("@modelcontextprotocol/server-slack"),
  ...
]);

// 将 `tools` 传递给 LLM 推理请求。

调用工具：

import { callTool } from "mcp-workers-ai"

// 通常 LLM 会自行选择要使用的工具。
const selected_tool = {
  arguments: {
    project_id: 'svensauleau/test',
    branch: 'main',
    files: [ ... ],
    commit_message: 'added unit tests'
  },
  name: 'push_files'
};

const res = await callTool(selected_tool)

// 将 `res` 重新传递到 LLM 推理请求中。

高级用法

Wrangler 配置：

name = "test"
main = "src/index.ts"

[ai]
binding = "AI"

[vars]
GITLAB_PERSONAL_ACCESS_TOKEN = "glpat-aaaaaaaaaaaaaaaaaaaa"

[alias]
"@modelcontextprotocol/sdk/server/index.js" = "mcp-workers-ai/sdk/server/index.js"
"@modelcontextprotocol/sdk/server/stdio.js" = "mcp-workers-ai/sdk/server/stdio.js"

工人脚本：

import { loadTools, callTool } from "mcp-workers-ai"

export default {
  async fetch(request: Request, env: any): Promise<Response> {
    // 确保设置令牌之前导入工具
    process.env.GITLAB_PERSONAL_ACCESS_TOKEN = env.GITLAB_PERSONAL_ACCESS_TOKEN;

    const tools = await loadTools([
      import("@modelcontextprotocol/server-gitlab/dist/"),
    ]);

    const prompt = await request.text();

    const response = await env.AI.run(
      "@hf/nousresearch/hermes-2-pro-mistral-7b",
      {
        messages: [{ role: "user", content: prompt }],
        tools,
      },
    );

    if (response.tool_calls && response.tool_calls.length > 0) {
      const selected_tool = response.tool_calls[0];
      const res = await callTool(selected_tool)

      if (res.content.length > 1) {
        throw new Error("too many responses")
      }

      const finalResponse = await env.AI.run(
        "@hf/nousresearch/hermes-2-pro-mistral-7b",
        {
          messages: [
            {
              role: "user",
              content: prompt,
            },
            {
              role: "assistant",
              content: "",
              tool_call: selected_tool.name,
            },
            {
              role: "tool",
              name: selected_tool.name,
              content: res.content[0].text,
            },
          ],
          tools,
        },
      );
      return new Response(finalResponse.response);

    } else {
      return new Response(response.response);
    }
  }
};

调用 AI：

$ curl http://example.com \
  -d "创建名为 'joke.txt' 的文件并存入我的 svensauleau/test 项目中，添加你最喜欢的笑话到主分支。使用提交信息 'added unit tests'"

我已经成功地在你的项目 'svensauleau/test' 主分支中创建了一个名为 'joke.txt' 的文件，并添加了我的 favorite 笑话。提交信息是 'added unit tests'。您可以在项目的仓库中查看该提交和文件。