Chakravarti 模型上下文后端服务 (MCP)

使用说明（Markdown 格式）

• 项目简介

  • Chakravarti MCP 是一个基于 MCP（Model Context Protocol）的后端服务器实现，核心职责是对外提供可访问的 Resources、Tools、Prompts，并通过 JSON-RPC 与 LLM 客户端交互。服务器端负责会话管理、能力声明，以及在标准输入/输出（stdio）等传输通道上的消息收发，便于将资源与外部工具暴露给不同的 AI 助手。

• 主要功能点

  • JSON-RPC 处理能力：实现 MCP 的核心方法集合，如 initialize、initialized、tools/list、tools/call、ping 等的请求/响应逻辑。
  • Tool 注册与执行：通过工具发现机制（从 CLI 元数据生成 MCP Tool 列表），并实现 tools/list、tools/call 的执行流程，将 CLI 命令包装成 MCP Tool，供 LLM 客户端远程调用。
  • 资源与提示模板：提供对 Prompts 的渲染与模板管理能力，支持将提示模板渲染成实际的输入数据，供 LLM 客户端获取并使用。
  • 多传输协议支持（设计思路）：当前实现以 stdio 传输为核心，也具备扩展到 SSE/WebSocket 等传输方式的设计基础，方便未来扩展。
  • 会话与能力声明：服务器维护会话信息、能力（如可用工具列表、提示模板等）的声明，确保客户端能够知道当前服务器提供的能力边界。
  • 安全与扩展性：模块化的工具发现、命令执行与错误处理设计，便于在需要时接入沙箱执行、权限校验、以及对外部工具的沙箱化调用。

• 安装步骤

  • 使用 Rust 工具链构建该 MCP 服务器组件（仓库中包含 ckrv-mcp 相关 crate）。
  • 一般做法：
    • 进入项目根目录，执行 cargo build --workspace
    • 进入 crates/ckrv-mcp 目录，执行 cargo build --release
  • 运行二进制后，可以通过标准输入输出通道与 MCP 客户端进行通信（stdio 传输为默认实现）。

• 服务器配置（给 MCP 客户端的连接信息，JSON 格式） 注意：MCP 客户端通常需要了解服务器的启动命令及参数，但实际连接是在运行时通过指定的传输通道建立。以下为示例配置描述（仅作参考，实际使用时客户端不需要此处的代码，仅用于理解配置语义）： { "server_name": "chakravarti-mcp", "command": "ckrv-mcp", "args": [] } 注释：

  • server_name：服务器的标识名称，便于客户端在多服务器环境中识别。
  • command：启动 MCP 服务器的可执行命令（本实现对应的二进制为 ckrv-mcp）。
  • args：启动参数数组，当前实现以 stdio 传输为核心，通常可以为空，若后续扩展传输协议可在此扩展参数。

• 基本使用方法（对开发者友好）

  • 启动服务器后，客户端通过 JSON-RPC 与之通信，服务器按 MCP 规范处理请求并返回 JSON-RPC 响应。
  • 客户端可以请求 toolbox（tools/list）以获取可用工具，然后通过 tools/call 向 MCP 服务器执行具体工具。
  • 通过 initialize/initialized 等方法完成会话初始化，获取服务器的 protocolVersion 与 capabilities（如工具集合）。
  • 使用 prompts 相关能力查询/渲染可用的 Prompt 模板，并在 LLM 场景中结合资源进行对话式上下文管理。