GitHub 简易安装 MCP 服务器

您是否曾被 AI 模型的环境配置困扰数日？您是否曾被屏幕上铺天盖地的红色 ERROR 搞得晕头转向？您是否曾厌倦了在询问 LLM 和输入修改后的命令之间来回切换？

我们创新的 NLP 项目（Star and Play）使用模型上下文协议 (MCP) 来自动化 GitHub 仓库的安装。该系统包含两个组件：一个 GitHub MCP 服务器，用于分析仓库并生成安装命令；以及一个本地 CLI MCP 服务器，用于执行这些命令，同时通过 LLM 集成提供智能错误处理。此解决方案将通常复杂的仓库安装过程简化为无缝体验。

MCP 简介

**MCP（模型上下文协议）**是由 Anthropic 引入的大语言模型 (LLM) 领域的开放协议标准。它旨在通过标准化的交互机制解决 LLM 与外部数据源、工具或服务之间的集成挑战。简而言之，MCP 使基于 LLM 的聊天系统能够以更标准化的方式使用各种工具。

当用户提出问题时：

1. 客户端（例如，Claude Desktop 或 Cursor）将您的问题发送给 LLM（例如，Claude）。
2. 通过提示工程，LLM 分析可用的工具并决定使用哪一个（或多个）。
3. 所选工具通过 MCP 服务器执行。
4. 工具的执行结果被发送回 LLM。
5. LLM 结合执行结果构建最终提示并生成自然语言响应。
6. 响应最终呈现给用户。

流程

我们的项目主要由两个组件组成：GitHub 服务器和本地 CLI 服务器。用户可以使用 Cline（VSCode 的扩展）或 Claude Desktop 作为客户端。LLM 将依次调用我们的服务器。

在执行任务时，我们首先进行标准尝试，如果成功，则完成。如果失败，我们转向 LLM 进行纠正，如果成功，则完成。如果失败，我们转向相关社区以向 LLM 提供更多信息，如果仍然无法纠正错误，则任务失败。

GitHub 服务器

1. 输入仓库 URL

2. 通过 git ingest 识别关键文件（README.md、requirements.txt、environment.yml）

3. LLM 将通过 MCP 从服务器获取数据并生成可执行文件

   现有方法：

   已经存在从 GitHub 仓库获取信息（如结构或基本信息）的服务器。

   改进：

   我们希望提高其准确性和效率，特别是对于安装，并生成规范化的命令。

本地 CLI 服务器

1. LLM 将调用 CLI 服务器来运行脚本文件或命令

2. 服务器还将收集系统输出，例如安装的错误或成功，我们计划使用 NLP 相关模型在本地分析内容 → 以减少与 LLM 的交互时间，并减少 token 消耗。

3. 组织好的信息将被传输到 LLM，修改后的命令将再次输入到本地 CLI 服务器中。

   现有方法：

   已经存在运行脚本文件或命令的服务器。

   改进：

   我们将尝试重点开发系统输出的分析模型。错误纠正机制应该是 MCP 服务器的一项创新。

可选的进一步应用

1. 我们可以收集安装过程中的错误，让 LLM 生成更好的 readme/requirements/environment 文件。
2. 如果我们的服务器发现原始指南中的错误，则自动生成详细的问题。

挑战

1. 我们对 MCP 的机制不够熟悉
2. 某些命令可能依赖于用户自己的计算机系统，例如操作系统、文件或系统路径等。因此，我们可能需要让 LLM 自动询问相关信息。
3. 由于 token 限制，我们可能需要设计或利用一些工具来避免与 LLM 的频繁交互，因为 token 和上下文限制会使进程中途停止
4. 硬件特定的依赖项（例如，GPU 加速库（如 CUDA））可能会导致安装失败，需要硬件配置检测，并将信息发送给 LLM。
5. 如果错误可能由不同的原因引起，LLM 可能会将它们一起返回，我们可能需要一些提示工程来在这种情况下划分不同的命令，以尝试每种可能的解决方案。
6. 有必要设置安全检查系统，以免引起一些安全问题。

评估和测试

评估数据集和测试数据集将是一些 GitHub 上可用的 'readme.md'、'requirements.txt' 文件。此数据集应包含编写良好和编写不良的示例，以便进行更好的测试。

评估我们流程的每个步骤的成功率，并检查常见错误并决定进一步改进。

链接

https://github.com/adhikasp/mcp-git-ingest

https://github.com/g0t4/mcp-server-commands

https://mcpcn.com/docs/

Introduction - Model Context Protocol