智能 MCP 服务器

一个上下文感知的模型上下文协议 (MCP) 服务器，它能根据用户上下文和需求智能地管理工具的呈现和执行。

🚀 概述

Smart MCP Server 是一个强大的中间件，充当 AI 模型和工具之间上下文感知的桥梁。它分析用户上下文、历史模式和内容，以智能地呈现最相关的工具，从而提高效率并减少认知负荷。此存储库提供核心服务器、上下文感知选择器以及与各种服务的集成，包括 Google 的 Gemini API。

✨ 主要特性

• 上下文感知的工具选择：根据以下因素智能地选择和呈现工具：

  • 用户消息内容和上下文
  • 历史使用模式
  • 工具类别（文件系统、代码编辑、AI 等）
  • 必要的工具指定

• 工具服务器架构：管理多个工具服务器实例，具有：

  • 服务器生命周期管理
  • 工具注册
  • 执行代理
  • 错误处理

• Gemini API 集成：与 Google 的 Gemini 模型完全集成：

  • 文本生成
  • JSON 响应格式化
  • 流式传输功能
  • 高级模型配置

• 工作流系统：定义、执行和监控复杂的工作流：

  • 顺序和并行步骤执行
  • 依赖管理
  • 变量存储和注入
  • 进度监控
  • 执行历史

• 文档自动化：用于收集和摄取文档的工具：

  • 存储库扫描
  • Markdown 解析
  • 文档结构分析
  • 知识集成

📋 前提条件

• Node.js (v16.0.0 或更高版本)
• npm (v7.0.0 或更高版本)
• 对于 Gemini API：Google AI API 密钥

🔧 安装

1. 克隆存储库：

   git clone https://github.com/reconsumeralization/smart-mcp-server.git
   cd smart-mcp-server
   

2. 安装依赖项：

   npm install
   

3. 配置环境变量：

   cp .env.example .env
   # 编辑 .env 文件进行配置
   

🏗️ 项目结构

smart-mcp-server/
├── context-aware-selector.js  # 基于上下文的工具选择
├── docs/                      # 文档文件
├── examples/                  # 示例脚本
├── lib/                       # 共享库
├── schema/                    # 工具模式定义
├── server.js                  # 主服务器实现
├── servers/                   # 工具服务器实现
├── test/                      # 测试文件
├── tool-proxy.js              # 工具执行代理
├── tools/                     # 工具实现
└── workflow-monitor.js        # 工作流监控系统

🚀 高级示例

1. 多工具编排

组合多个工具以完成复杂的任务：

import { ToolOrchestrator } from './lib/tool-orchestrator.js';

// 创建一个具有错误处理和重试逻辑的编排器
const orchestrator = new ToolOrchestrator({
  maxRetries: 3,
  retryDelay: 1000,
  fallbackStrategy: 'alternative-tool'
});

// 使用多个工具定义一个复杂的任务
const task = orchestrator.createTask()
  .use('gemini-tool')
    .withConfig({ temperature: 0.2 })
    .forStep('analyze-requirements')
  .use('github-tool')
    .withAuth(process.env.GITHUB_TOKEN)
    .forStep('create-pr')
  .use('database-tool')
    .withRetry(5)
    .forStep('store-results');

// 执行并进行进度监控
const result = await task.execute({
  onProgress: (step, progress) => console.log(`${step}: ${progress}%`),
  onError: (step, error) => console.error(`Error in ${step}:`, error)
});

2. 具有记忆功能的上下文感知工具选择

import { ContextAnalyzer } from './lib/context-analyzer.js';
import { MemoryStore } from './lib/memory-store.js';

// 使用持久内存初始化
const memory = new MemoryStore({
  storage: 'redis',
  ttl: '24h',
  namespace: 'tool-selection'
});

const analyzer = new ContextAnalyzer({
  memory,
  embeddings: true,
  contextWindow: 10
});

// 使用历史数据分析上下文
const toolSuggestions = await analyzer.analyze({
  currentMessage: "Help me optimize this SQL query",
  userHistory: await memory.getUserHistory('user123'),
  projectContext: {
    language: 'SQL',
    database: 'PostgreSQL',
    performance: true
  }
});

// 获取具有置信度分数的排名工具建议
const rankedTools = toolSuggestions.getRankedTools();
console.log(rankedTools);
// [
//   { tool: 'database-optimizer', confidence: 0.95 },
//   { tool: 'query-analyzer', confidence: 0.85 },
//   { tool: 'performance-monitor', confidence: 0.75 }
// ]

3. 具有错误恢复功能的高级工作流

import { WorkflowBuilder } from './lib/workflow-builder.js';
import { ErrorRecoveryStrategy } from './lib/error-recovery.js';

// 创建一个具有复杂错误处理的工作流
const workflow = new WorkflowBuilder()
  .addNode('data-extraction', {
    tool: 'database-tool',
    fallback: 'file-system-tool',
    validation: (data) => data.length > 0
  })
  .addNode('data-transformation', {
    tool: 'gemini-tool',
    retries: 3,
    timeout: '5m',
    recovery: new ErrorRecoveryStrategy({
      onTimeout: 'switch-model',
      onError: 'reduce-batch-size',
      onValidationFail: 'human-review'
    })
  })
  .addNode('data-loading', {
    tool: 'database-tool',
    mode: 'batch',
    batchSize: 1000,
    monitoring: {
      metrics: ['throughput', 'latency', 'errors'],
      alerts: {
        errorRate: { threshold: 0.01, action: 'pause' },
        latency: { threshold: '500ms', action: 'reduce-batch-size' }
      }
    }
  })
  .setEdges([
    ['data-extraction', 'data-transformation'],
    ['data-transformation', 'data-loading']
  ])
  .build();

// 执行并进行实时监控
const execution = await workflow.execute({
  inputs: { query: 'SELECT * FROM large_table' },
  monitoring: {
    interval: '1s',
    metrics: ['progress', 'resource-usage', 'throughput'],
    onMetric: (metric) => console.log(`${metric.name}: ${metric.value}`),
    onAlert: (alert) => handleAlert(alert)
  }
});

4. AI 驱动的工具组合

import { AIToolComposer } from './lib/ai-tool-composer.js';
import { ToolRegistry } from './lib/tool-registry.js';

// 初始化 AI 驱动的工具组合器
const composer = new AIToolComposer({
  model: 'gemini-2.0-flash',
  optimization: 'performance',
  constraints: {
    maxTools: 5,
    maxMemory: '2GB',
    timeout: '10m'
  }
});

// 注册具有功能的可用工具
const registry = new ToolRegistry()
  .register('database-tool', {
    capabilities: ['query', 'transform', 'optimize'],
    costs: { memory: '500MB', latency: '100ms' }
  })
  .register('gemini-tool', {
    capabilities: ['analyze', 'generate', 'translate'],
    costs: { memory: '1GB', latency: '2s' }
  });

// 让 AI 为任务组合最佳工具链
const composition = await composer.compose({
  task: 'Analyze and optimize database performance',
  context: {
    database: 'PostgreSQL',
    dataSize: '10GB',
    performance: {
      current: { qps: 1000, latency: '200ms' },
      target: { qps: 2000, latency: '100ms' }
    }
  },
  registry
});

// 执行 AI 组合的工具链
const result = await composition.execute({
  monitoring: true,
  optimization: true,
  reporting: true
});

🚀 用法

运行服务器

启动主服务器：

npm run server

测试上下文感知选择器

npm run test

运行示例

提供了几个示例脚本来演示各种功能：

# 测试 Gemini API 集成
node examples/gemini-example.js

# 测试上下文感知选择器
node test-context-aware-selector.js

# 运行工作流示例
node examples/test-workflow.js

🔌 可用的工具集成

AI 工具

• Gemini API: Google 的生成式 AI 模型，用于文本生成、聊天等
• 顺序思考: 逐步推理工具
• 网络研究: 互联网搜索功能

开发工具

• GitHub: 存储库管理、问题跟踪、PR 创建
• 文件系统: 文件操作、代码编辑
• 数据库: PostgreSQL 集成（计划中）

内存工具

• 知识图谱: 用于存储和检索结构化信息
• 向量存储: 用于语义搜索和检索

📊 上下文感知的工具选择

上下文感知选择器分析用户消息和历史使用情况，以呈现最相关的工具：

// 示例用法
import { selectToolsForContext } from './context-aware-selector.js';

const userContext = {
  message: "Help me create a new React component",
  history: ["git status", "npm install"]
};

const selectedTools = selectToolsForContext(userContext, allTools);

🔄 工作流系统

定义具有依赖关系的复杂工作流并执行它们：

// 示例工作流定义 (JSON)
const workflow = {
  "id": "db-integration",
  "description": "Database Integration Workflow",
  "concurrencyLimit": 3, 
  "steps": [
    {
      "id": "research-orm",
      "type": "web-search",
      "parameters": {
        "query": "Node.js ORM comparison prisma sequelize"
      }
    },
    // 其他步骤...
  ]
};

🌐 Gemini API 集成

使用 Google 的 Gemini 模型执行各种任务：

import { GeminiClient } from './lib/gemini-client.js';

// 初始化客户端
const client = new GeminiClient();

// 生成文本
const result = await client.generateText("Explain quantum computing");
console.log(result.text);

// 生成 JSON
const userData = await client.generateJson(
  "Create a JSON user profile with name, email, and age"
);
console.log(userData);

// 流式传输响应
const stream = await client.generateStream("Write a story about a robot");
for await (const chunk of stream.stream) {
  process.stdout.write(chunk.text());
}

🔍 API 端点

服务器公开以下 API 端点：

• POST /api/tools: 注册新工具
• GET /api/tools: 获取所有可用工具
• POST /api/execute: 执行工具
• GET /api/context: 获取上下文感知的工具建议
• POST /api/workflows: 注册新工作流
• GET /api/workflows: 获取所有工作流
• GET /api/workflows/:id: 获取特定工作流
• POST /api/workflows/:id/execute: 执行工作流

📚 文档

全面的文档位于 docs/ 目录中：

• 上下文感知选择器
• Gemini 集成
• 工作流测试

🛠️ 开发

添加新工具

1. 在 tools/ 目录中创建工具实现
2. 在 schema/ 目录中定义工具模式
3. 在 servers/ 目录中添加服务器实现
4. 在 server.js 中注册该工具

运行测试

npm test

🤝 贡献

欢迎贡献！请随时提交 Pull Request。

1. Fork 存储库
2. 创建您的功能分支 (git checkout -b feature/amazing-feature)
3. 提交您的更改 (git commit -m 'Add some amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 打开 Pull Request

📄 许可证

该项目根据 MIT 许可证获得许可 - 有关详细信息，请参阅 LICENSE 文件。

📞 联系

项目维护者: David Weatherspoon