OMOS-MCP

OMOS-MCP

MCP server that lets AI agents read and search project documents in OMOS Shared Drive, with source-referenced answers and Google Drive links.

Category
访问服务器

README

OMOS-MCP

MCP server ให้ AI agent (Claude, ChatGPT, Cursor ฯลฯ) อ่านเอกสารโปรเจคใน OMOS Shared Drive เพื่อตอบคำถาม — ทุกคำตอบอ้างอิงไฟล์ต้นทางพร้อม link Google Drive

โครงสร้าง Drive ที่รองรับ:

OMOS/
├── Project A/
│   ├── Project Overview/
│   ├── Timeline/
│   ├── Design/
│   │   ├── System Flow/
│   │   ├── DB/
│   │   └── API/
│   └── BRD/
└── Project B/ ...

Tools

Tool คำอธิบาย
omos_index index ทั้ง Drive: ทุกโปรเจค + ทุกไฟล์ พร้อม id และ link (agent เรียกอันนี้ก่อนเสมอ)
omos_search ค้นหา full-text ทั้ง Drive จำกัด scope ตามโปรเจค/section ได้
omos_read อ่านไฟล์เป็น text — Google Docs/Sheets/Slides, PDF, .docx, .xlsx, md/text และรูปภาพ (ส่งรูปให้ agent ดูตรงๆ)
omos_refresh rebuild index ทันที (ปกติ cache 5 นาที)

Agent จะไล่ค้นตามลำดับ: filter Project Name → ไม่เจอให้ดู Project Overview แล้วถามยืนยันกับ user → ไล่ต่อว่าถามถึง Timeline | BRD | Design (System Flow / DB / API) → คำถามกว้างไปจะถามกลับเพื่อลด scope (ฝังไว้ใน server instructions แล้ว)

ตั้งค่าครั้งเดียว: Service Account

server เข้าถึง Drive ด้วย service account (ไม่ต้องให้ทุกคน login):

  1. เข้า console.cloud.google.com → สร้าง project ใหม่ (หรือใช้ที่มีอยู่)
  2. APIs & Services → Library → ค้นหา Google Drive API → กด Enable
  3. IAM & Admin → Service Accounts → Create Service Account → ตั้งชื่อ เช่น omos-mcp → กด Create (ข้ามขั้นตอน role ได้เลย ไม่ต้องให้สิทธิ์อะไร)
  4. เข้า service account ที่สร้าง → แท็บ Keys → Add Key → Create new key → JSON → ไฟล์ key จะดาวน์โหลดมา
  5. copy อีเมลของ service account (หน้าตา omos-mcp@<project>.iam.gserviceaccount.com) ไปแชร์ Shared Drive / โฟลเดอร์ OMOS ให้อีเมลนี้เป็น Viewer
  6. หา folder id ของ root OMOS: เปิดโฟลเดอร์ใน browser แล้วดู URL https://drive.google.com/drive/folders/<อันนี้คือ id>

Environment Variables

ตัวแปร คำอธิบาย
OMOS_ROOT_FOLDER_ID folder id ของ root OMOS (จากขั้นตอนที่ 6) — บังคับ
GOOGLE_SERVICE_ACCOUNT_JSON เนื้อไฟล์ key JSON ทั้งก้อน หรือ path ไปยังไฟล์ — บังคับ
OMOS_AUTH_TOKEN (HTTP mode) bearer token ที่ client ต้องส่งมา
OMOS_INDEX_TTL อายุ cache ของ index เป็นวินาที (default 300)
OAUTH_ISSUER / OAUTH_AUDIENCE / PUBLIC_URL (HTTP mode) เปิดโหมด OAuth สำหรับ Claude.ai / ChatGPT เว็บ
PORT (HTTP mode) port ที่ฟัง (default 8000)

รัน local

ติดตั้ง uv ก่อน (curl -LsSf https://astral.sh/uv/install.sh | sh)

1) ตั้งค่า .env (server โหลดให้อัตโนมัติจาก root ของ repo):

cp .env.example .env

แก้ .env ใส่ OMOS_ROOT_FOLDER_ID และ path ไฟล์ key (เช่นวางไฟล์ key ไว้ที่ ./service-account.json — gitignore ไว้ให้แล้ว)

2) เชื่อมกับ Claude Code (stdio):

claude mcp add omos -- uv run --directory "/path/to/OMOS-MCP" omos-mcp

Claude Desktop / Cursor / Windsurf — ใส่ใน MCP config:

{
  "mcpServers": {
    "omos": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/OMOS-MCP", "omos-mcp"]
    }
  }
}

3) ทดสอบ: ถาม agent ว่า "มีโปรเจคอะไรบ้างใน OMOS" — ต้องได้รายชื่อโปรเจคพร้อม link

(ทางเลือก) รันเป็น HTTP server ในเครื่อง: เปิด OMOS_AUTH_TOKEN ใน .env แล้ว

uv run omos-mcp-http

endpoint อยู่ที่ http://localhost:8000/mcp เชื่อมด้วย:

claude mcp add --transport http omos http://localhost:8000/mcp -H "Authorization: Bearer <OMOS_AUTH_TOKEN>"

Deploy เป็น MCP link (Render)

  1. Push repo นี้ขึ้น GitHub (มี Dockerfile + render.yaml ให้แล้ว)
  2. Render → New → Blueprint → เลือก repo นี้
  3. ตั้ง env ใน dashboard:
    • OMOS_ROOT_FOLDER_ID = folder id ของ root OMOS
    • GOOGLE_SERVICE_ACCOUNT_JSON = เนื้อไฟล์ key JSON ทั้งก้อน (paste ตรงๆ)
    • OMOS_AUTH_TOKEN Render สุ่มให้เอง → ก็อปไปแจกทีม
  4. Deploy เสร็จ → endpoint คือ https://<app>.onrender.com/mcp

ผู้ใช้เชื่อมต่อ:

claude mcp add --transport http omos https://<app>.onrender.com/mcp \
  -H "Authorization: Bearer <OMOS_AUTH_TOKEN>"

Cursor / VS Code: ใส่ URL + header Authorization: Bearer <token> ใน MCP config

ให้ Claude.ai / ChatGPT (เว็บ) ใช้ — OAuth

เว็บ client ไม่มีช่องใส่ header ต้องใช้ OAuth ผ่าน provider เช่น WorkOS AuthKit (ฟรีถึง 1M users):

  1. สมัคร workos.com → เปิดใช้ AuthKit → ตั้งวิธี login + จำกัดเฉพาะคนในทีม
  2. Dashboard → Connect → Configuration → เปิด Client ID Metadata Document และ Dynamic Client Registration
  3. เพิ่ม Resource Indicator = https://<app>.onrender.com (ไม่มี /mcp)
  4. ตั้ง env บน Render เพิ่ม 3 ตัว: OAUTH_ISSUER = AuthKit domain, OAUTH_AUDIENCE = https://<app>.onrender.com, PUBLIC_URL = https://<app>.onrender.com
  5. ผู้ใช้: Claude.ai → Settings → Connectors → Add custom connector → ใส่ https://<app>.onrender.com/mcp → login ผ่าน WorkOS

โหมด OAuth กับ bearer token อยู่ด้วยกันได้ — เว็บใช้ OAuth, CLI ยังใช้ token ได้

ทดสอบ converters

uv run python test_convert.py

推荐服务器

Baidu Map

Baidu Map

百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。

官方
精选
JavaScript
Playwright MCP Server

Playwright MCP Server

一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。

官方
精选
TypeScript
Magic Component Platform (MCP)

Magic Component Platform (MCP)

一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。

官方
精选
本地
TypeScript
Audiense Insights MCP Server

Audiense Insights MCP Server

通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。

官方
精选
本地
TypeScript
VeyraX

VeyraX

一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。

官方
精选
本地
graphlit-mcp-server

graphlit-mcp-server

模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。

官方
精选
TypeScript
Kagi MCP Server

Kagi MCP Server

一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。

官方
精选
Python
e2b-mcp-server

e2b-mcp-server

使用 MCP 通过 e2b 运行代码。

官方
精选
Neon MCP Server

Neon MCP Server

用于与 Neon 管理 API 和数据库交互的 MCP 服务器

官方
精选
Exa MCP Server

Exa MCP Server

模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。

官方
精选