🔗 统一 MCP 工具图：一个由 Neo4j 驱动的 API 智能层，用于动态工具检索

统一 MCP 工具图 是一个研究驱动的项目，它将来自各种 模型上下文协议 (MCP) 服务器 的工具 API 聚合并结构化到一个集中的 Neo4j 图数据库 中。该图充当一个智能基础设施层，使 大型语言模型 (LLM) 和 代理 AI 系统 能够 动态检索 任何任务最相关的工具——而不会被冗余或令人困惑的选项所淹没。

🔬 本仓库专注于 统一工具图数据库 的创建和演进。基于聊天机器人的集成（例如，LangChain）被视为这个基础层的模块化扩展。

📢 代码、摄取脚本和示例查询即将推出！敬请关注。

---

🧠 研究问题

随着 LLM 和自主代理不断发展以与外部工具和 API 交互，一个关键瓶颈已经出现：

模型如何从不断扩展的 API 宇宙中有效地选择正确的工具——而不会陷入无限循环或选择错误的工具？

为什么会发生这种情况：

• 🔀 工具混淆： 当许多工具提供类似的功能（例如，create_post、schedule_post、post_to_social）时，LLM 会感到困惑，导致犹豫不决和错误的工具调用。

• ↺ 无限链： 如果没有对工具差异的结构化理解，LLM 经常会陷入无成效的链中，重复调用工具或选择次优工具。

• 🧱 非结构化访问： 目前大多数实现将所有可用工具转储到 LLM 的上下文中，使其被选项淹没并增加幻觉风险。

---

✅ 解决方案：统一 MCP 工具图

本项目提出了一个结构化的、可查询的解决方案：一个 与供应商无关的 Neo4j 图数据库，其中包含来自 MCP 服务器（例如，LinkedIn、Google、Facebook、Notion 等）的工具/API。

🔍 主要功能：

• 集中式工具智能： 以图格式存储 API 描述、元数据、参数和工具间关系。

• LLM 友好的查询层： 代理可以使用元数据和关系检索每个任务最相关的 3-4 个工具，从而最大限度地减少混淆。

• 语义区分： 使用图关系（例如，overlaps_with、extends、preferred_for_task）捕获工具之间的相似性和差异，以指导决策。

---

🧹 模块化扩展

虽然图是核心，但它支持强大的下游用例：

🌐 动态工具检索 (DTR)：

一个模块化的 LangChain/Autogen 聊天机器人扩展，它查询图并为任何给定的用户意图呈现一个最小的、准确的工具集。

这可以防止 LLM 盲目扫描庞大的工具库，而是只提供它们完成工作所需的工具——不多也不少。

---

🧱 核心目标

目标	描述
📦 工具摄取	从公共/私有 MCP 服务器获取 API 和模式并对其进行规范化
🧽 工具关系映射	定义图边，例如 overlaps_with、requires_auth、preferred_for、belongs_to_vendor
🔍 面向 LLM 的查询	实时返回特定于任务的工具包
🌱 可扩展的生态系统	不断添加供应商和工具，无需重新训练或硬编码
🔗 代理感知结构	使用富含元数据的、可搜索的工具表示来指导 LLM 推理

---

🌟 主要优势

• 🧠 减少 LLM 中的工具混淆 仅显示与任务相关的选项，从而防止工具过载。避免无限调用循环和错误的工具选择。

• ↻ 与供应商无关的集成 将来自不同提供商的 API 统一到一个智能系统中。

• 🔗 映射互操作性 捕获工具如何相互关联或依赖，这对于在工作流程中链接 API 非常有用。

• ⚡ 优化的代理推理 使 LLM 能够以更少的干扰在上下文窗口中有效地进行推理。

• 🚀 可扩展且模块化 可以独立于 LLM 或聊天机器人基础设施进行更新。可跨任何代理堆栈扩展。

---

📌 示例用例

• “我想在 LinkedIn 上安排一个帖子，并在 Slack 中分享它。” → 图仅返回相关的 create_post、schedule_post 和 send_message 工具。

• 用于企业的自定义 AI 助手： 仅公开来自图的内部工具，按访问权限、范围或功能进行过滤。

• 智能推荐代理： 根据标签、受欢迎程度、成功率或依赖关系推荐最佳匹配的工具。

---

🧪 即将推出

• ✅ 图摄取脚本
• ✅ 模式蓝图 + Cypher 查询
• ✅ 工具可视化游乐场
• ✅ LangChain DTR 聊天机器人插件
• ✅ 操作指南和用例

---

🚀 入门

git clone https://github.com/your-username/unified-mcp-tool-graph.git
cd unified-mcp-tool-graph
# 即将推出：摄取管道、模式文档和示例查询

---

🙌 贡献

如果您对代理 AI、图数据库或 LLM 集成充满热情——我们很乐意得到您的帮助！

• 🧠 提交想法或供应商来源
• 🛠️ 打开 PR 以改进模式/设计
• ⭐ 收藏该仓库以支持这项研究

---

📜 许可证

MIT 许可证——免费用于学术、个人和商业用途。

---

🧠 总结

统一 MCP 工具图 没有将 100 多个工具转储到模型的提示中并期望它做出明智的选择，而是为您的 LLM 配备了结构、清晰度和相关性。

它修复了工具混淆，防止了无限循环，并实现了模块化、智能的代理工作流程。

让我们构建更智能的系统——一次一个工具图。

---

🔗 收藏该仓库以关注旅程，并使工具真正 智能、可搜索和模块化。