AI Workflow MCP后端服务器

关键词

Model Context ProtocolAI workflowDevOps automationtool integrationJSON-RPC

使用说明（Markdown格式）

  • 项目简介

    • 该仓库实现了一个基于 MCP 的服务器端，用来向大型语言模型客户端提供统一的资源访问、工具执行、以及提示模板渲染能力，帮助将软件开发、运维等场景的上下文信息结构化、可查询、可扩展地提供给LLM。

  • 主要功能点

    • 资源管理：托管并通过统一接口访问“资源”(如数据、环境信息等)，用于数据访问与上下文增强。
    • 工具注册与执行：注册一组可被LLM调用的外部工具，并通过一致的接口执行、返回结果。
    • 提示模板：定义、渲染并渲染 Prompt 模板，支持可定制的LLM交互模式。
    • JSON-RPC通信：服务器通过 JSON-RPC 与客户端通信，接收读取资源、调用工具、获取Prompts等请求，返回结构化响应。
    • 会话与状态管理：支持多会话、持久化状态、能力声明，以及跨会话的上下文管理。
    • 传输协议支持：支持多种传输协议（如 Stdio、SSE、WebSocket），实现实时工具更新与交互。
    • 自动修复与自愈：具备工具自愈、技能自修复、记忆学习回路，提升鲁棒性与稳定性。

  • 安装步骤

    • 获取代码与环境
      • 克隆仓库并进入项目目录，确保已安装 Python 3.10 及以上版本。
      • 使用推荐的工具/方法创建虚拟环境并安装依赖（仓库内文档提供了建议的开发流程）。
    • 安装依赖与准备
      • 根据文档在本地安装所需依赖，确保 server 入口点可用。
    • 运行服务器
      • 服务器入口点通常是 server 目录中的主入口，执行启动命令即可开启 MCP 服务器并监听客户端请求。
    • MCP客户端配置示例（客户端需要的配置，用于与服务器建立连接；下方给出示例JSON，实际路径请根据部署环境调整）
      • 确保客户端在根项目目录下配置一个 MCP 服务器条目（名称如 aa_workflow），包含启动命令和参数等信息，便于在 Claude/Cursor 等 IDE 中加载与重载。
      • 简要的配置示例（以文本形式给出，便于理解）： { "mcpServers": { "aa_workflow": { "command": "bash", "args": [ "-c", "cd ~/src/ai-workflow && source .venv/bin/activate && python3 -m server" ] } } } 说明：上述配置指定了服务器名称、启动命令及参数，客户端在需要时可读取该配置并启动 MCP 服务进行交互。实际路径需替换为部署环境中的路径。

  • 基本使用方法

    • 启动与连接：通过客户端配置文件指定的启动命令启动服务器，并在客户端（如 Claude/Cursor）中加载相应的 MCP 服务器配置，建立 JSON-RPC 通道。
    • 资源、工具、Prompts 的访问：客户端通过标准化的 MCP 请求接口，请求资源读取、工具调用、以及Prompt获取，服务器返回结构化的 JSON-RPC 响应。
    • 会话与记忆：服务器维护多会话上下文，允许跨会话的工具记忆与状态持久化，提升对话的连贯性与上下文感知能力。
    • 安全与扩展：服务器具备自愈、学习循环等能力，支持扩展新的工具模块、技能与记忆体系，以及对错误的自诊断与修复。

  • 进阶与配置注意

    • MCP 客户端不需要直接暴露实现细节，但需要知道如何启动 MCP 服务器（上文示例中的 command/args 配置）。
    • 可以参考项目文档中的架构、实现细节、以及各模块的 API 设计，以便在具体场景中对接自定义的资源、工具和 Prompts 模板。

服务器信息

访问项目