统一 MCP 服务器：Qdrant/Neo4j/Crawl4AI 集成

使用说明（Markdown 格式）

• 项目简介
  • 该仓库实现了一个面向 LLM 的 MCP 服务器后端，整合了向量数据库（Qdrant）、知识图谱（Neo4j）以及网页智能（Crawl4AI）等服务，通过 MCP 协议向客户端提供 Resources、Tools、Prompts 等资源化能力，支持 JSON-RPC 形式的请求/响应，以及会话与能力声明等 MCP 基本特性。
• 主要功能点
  • MCP 核心能力：实现对 MCP 请求的处理、响应，以及工具调用、资源读取、提示模板等能力的暴露，遵循 MCP 2.0 风格的 JSON-RPC 交互。
  • 服务组合与对接：将向量数据库、图数据库和网页智能服务组合成统一后端，提供统一入口访问不同服务的能力。
  • 资源、工具与 prompts 管理：通过 MCP 提供的工具集（如向量检索、存储向量、图查询、网页抓取等），以及可能的资源/提示模板管理能力。
  • 安全与观测：内置鉴权（JWT、API Key）、速率限制、日志记录和 Prometheus 指标，提供健康检查和系统监控入口。
  • 会话与服务状态：会话生命周期管理、服务健康状态、跨服务数据流协同，以及对 MCP 应用的生命周期管理。
  • 容器化/部署友好：提供适用于多种部署场景的后端实现，包含启动、停止与健康端点，便于集成到实际生产环境。
• 安装与运行步骤
  • 先决条件：需要 Python 环境，及可用的 Qdrant、Neo4j、Crawl4AI 服务（或其模拟/替代实现）。
  • 步骤概览:
    • 获取代码并安装依赖（通常通过项目的依赖配置进行安装）。
    • 配置环境变量（JWT 秘钥、Neo4j/Qdrant 地址、OpenAI/OpenAI Embedding 模型、爬虫设置等）。
    • 启动 MCP 服务器：在终端执行启动命令以运行服务器。
    • 验证服务健康：通过健康端点和 MCP 客户端进行初始化与功能调用测试。
  • 服务器启动命令（示意，实际以仓库实现的入口为准）:
    • 启动命令: python -m qdrant_neo4j_crawl4ai_mcp.main
    • 运行时参数与环境变量可用来调整环境、端口、并发等，具体请参考仓库内的环境变量说明。
• 服务器配置（示例，供 MCP 客户端读取并建立连接）
  • server name: Unified MCP Intelligence Server
  • command: ["python3", "-m", "qdrant_neo4j_crawl4ai_mcp.main"]
  • args: []
  • 说明：MCP 客户端需要至少知道服务器的名称与启动命令，并在启动后通过网络/API 路径与 MCP 服务器建立连接。实际连接通常通过环境变量与启动时的配置来实现，请在部署前确保 Qdrant、Neo4j 与 Crawl4AI 等服务可用，并设置正确的环境参数。
• 基本使用方法
  • 注册与认证：使用 /auth/token 获取访问令牌，随后在 MCP 请求中通过 Bearer 认证头提交请求（或按实现要求使用 API Key 方式进行授权）。
  • MCP 请求流程（简要）
    • 初始化会话：发送提供协议版本、能力等信息的 initialize 请求，建立能力声明。
    • 调用工具/读取资源：通过 tools/list、tools/call、resources/list 等请求，访问向量/图/网页等能力。
    • 结果处理：服务器返回符合 MCP 2.0 结构的 JSON-RPC 响应，包含 result 或 error，以及对话上下文信息。
  • 典型用例场景
    • 向量检索：通过工具调用进行语义搜索、向量相似性匹配、嵌入向量的获取与存储。
    • 知识图谱查询：执行 Cypher/Cypher-like 查询、图结构分析、知识提取等。
    • 网页智能：通过 Crawl4AI 服务抓取网页、提取结构化信息、监控网页变化等。
  • 注意事项
    • MCP 服务器的配置与部署应确保各底层服务（Qdrant、Neo4j、Crawl4AI 等）可用，并正确暴露网络访问。
    • 为生产环境配置合适的鉴权、速率限制与监控，以保证系统稳定性与安全性。