Root Signals MCP

🚀 模型上下文协议（MCP）项目文档

模型上下文协议（Model Context Protocol，简称MCP）是一款用于评估AI生成内容质量的实用工具。它为用户提供了多样化的使用途径，无论是直接调用服务，还是集成到应用程序中，都能轻松实现对AI生成内容的自动化评估，极大提升了评估效率和准确性。

🚀 快速开始

模型上下文协议（Model Context Protocol，简称MCP）是一个用于评估AI生成内容质量的工具。用户可以通过以下几种方式使用该协议：

1. 直接调用MCP服务：通过安装并运行提供的MCP服务器，在本地或云端环境中使用。
2. 集成到应用中：将MCP客户端整合到自己的Python应用程序中，实现自动化评估功能。

✨ 主要特性

• evaluators列表：提供多种预定义的评估指标，涵盖准确性、清晰度、相关性等多个维度。
• 评估接口：支持以下四种评估方式：
  • 基于ID的评估：通过指定的评估器ID进行内容评估。
  • 基于名称的评估：通过评估器名称进行内容评估。
  • 基于检索的生成评估：结合外部知识库上下文进行评估。
  • 基于名称的检索生成评估：结合上下文和评估器名称进行评估。

📦 安装指南

克隆仓库

git clone https://github.com/your-repository.git
cd your-repository

安装依赖

pip install -r requirements.txt

启动服务

uv run server .

💻 使用示例

基础用法

安装与运行MCP服务器

# 克隆仓库
git clone https://github.com/your-repository.git
cd your-repository

# 安装依赖
pip install -r requirements.txt

# 启动服务
uv run server .

使用Python客户端进行评估

import os
from root_mcp_server.client import RootSignalsMCPClient

async def main():
    mcp_client = RootSignalsMCPClient()
    
    try:
        await mcp_client.connect()
        
        # 获取所有评估器列表
        evaluators = await mcp_client.list_evaluators()
        print(f"检测到 {len(evaluators)} 个评估器")
        
        # 使用ID进行评估
        result_id = await mcp_client.run_evaluation(
            evaluator_id="eval-123456789",
            request="请问法国的首都是哪里？",
            response="巴黎是法国的首都。"
        )
        print(f"基于ID的评估分数: {result_id['score']}")
        
        # 使用名称进行评估
        result_name = await mcp_client.run_evaluation_by_name(
            evaluator_name="清晰度",
            request="请问法国的首都是哪里？",
            response="巴黎是法国的首都。"
        )
        print(f"基于名称的评估分数: {result_name['score']}")
        
    finally:
        await mcp_client.disconnect()

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

高级用法

评估提示模板

用户可以在Cursor中直接输入以下指令来评估生成式AI的提示模板：

评估总结器提示在清晰度和精确度方面。使用RootSignals。

🤝 贡献指南

参与方式

我们欢迎任何有助于提升用户体验的贡献，具体步骤如下：

1. 同步代码库：使用uv sync --extra dev命令获取最新代码和依赖项。
2. 安装预 - commit钩子：通过pre-commit install确保每次提交前自动格式化代码。
3. 添加功能或修复问题：将新代码和测试用例添加到src/root_mcp_server/tests/目录中。
4. 构建并测试：运行docker compose up --build启动服务，并通过设置环境变量ROOT_SIGNALS_API_KEY=<密钥>执行单元测试，确保所有测试通过。
5. 格式化代码：使用ruff format . && ruff check .命令保持代码风格统一。

注意事项

⚠️ 重要提示

请为新增的功能或修复的问题单独创建一个分支，并在提交前添加详细的commit信息。

💡 使用建议

如果发现任何问题，请及时提交issue或pull request。

⚠️ 已知限制

功能限制

• 评估范围：当前版本仅支持文本生成内容的评估，不支持图像、音频等其他形式的内容。
• 上下文大小：基于检索的生成评估功能目前只支持较小规模的知识库。

性能限制

• 处理延迟：大规模数据或多轮对话场景可能会导致评估时间增加。

📧 问题反馈

如在使用过程中遇到任何问题，请通过以下方式反馈：

• 提交Issue
• 发送邮件至support@yourdomain.com

⚠️ 重要提示

本文档内容可能随时更新，建议定期查阅以获取最新信息。