使用说明

项目简介

MalloryAI MCP Server 是一个基于 Model Context Protocol (MCP) 框架构建的后端服务器，专为网络安全情报应用设计。它旨在为大型语言模型 (LLM) 客户端提供安全、可扩展的上下文服务，核心功能包括托管和管理网络安全资源，注册和执行安全分析工具，并支持Prompt模板定制，从而增强 LLM 在网络安全领域的应用能力。

主要功能点

资源管理 (Resources)： 虽然仓库信息中没有明确展示资源管理，但根据MCP服务器的定义，这应该是其核心功能之一，用于托管和管理网络安全相关的数据资产，为工具提供数据基础。（仓库代码侧重于工具，资源管理部分可能在框架或底层SDK中实现，此处根据MCP定义推断）
工具注册与执行 (Tools)： 已实现 'get_threat_actor' (获取威胁行动者信息) 和 'find_vulnerability' (查找漏洞信息) 两个工具，允许 LLM 客户端调用这些工具查询网络安全情报。工具的实现基于 'malloryai-sdk'，表明服务器可以集成外部数据源或服务。
Prompt 模板 (Prompts)： 仓库信息中没有明确提及 Prompt 模板功能，但 'fastmcp' 框架通常支持 Prompt 模板的定义和渲染。（此处根据MCP定义和 'fastmcp' 框架能力推断，具体实现需进一步代码分析或文档确认）
JSON-RPC over Stdio 传输： 服务器默认使用 Stdio 作为传输协议，方便快速启动和集成。
配置管理： 通过 '.env' 文件管理服务器配置，例如 API 密钥、日志级别等。

安装步骤

克隆仓库:

git clone https://github.com/malloryai/mallory-mcp-server.git
cd mallory-mcp-server

创建并激活虚拟环境: 推荐使用 'uv' 或 'venv' 创建虚拟环境。

# 使用 uv (推荐)
uv venv .venv
source .venv/bin/activate

# 或使用 venv
python -m venv .venv
source .venv/bin/activate

安装项目依赖:

uv pip install -e .  # 使用 uv
# 或
pip install -e .     # 使用 pip

配置环境变量: 在项目根目录下创建 '.env' 文件，并根据需要配置以下变量：

APP_ENV=local
MALLORY_API_KEY=your_api_key_here  # 请替换为你的 MalloryAI API 密钥
LOG_LEVEL=INFO

注意: 'MALLORY_API_KEY' 是访问 MalloryAI 服务的凭证，请务必替换为有效的 API 密钥。

服务器配置

以下是 MCP 客户端 (例如 Claude Desktop) 配置 MalloryAI MCP Server 的 JSON 示例。你需要根据实际情况修改路径。

{
  "mcpServers": {
    "MalloryAI": {  // 服务器名称，客户端显示用，可以自定义
      "command": "/path/to/uv",  // uv 命令的绝对路径，如果 uv 可执行文件在 PATH 环境变量中，可以直接写 "uv"
      "args": [
        "run",  // uv run 命令
        "--python",  // 指定 Python 解释器
        "/path/to/mcp-server/.venv/bin/python", //  虚拟环境 Python 解释器的绝对路径，请替换为你的实际路径
        "--with", //  uv run 的 --with 参数，用于指定要加载的插件或扩展
        "fastmcp", //  指定使用 fastmcp 插件来运行 MCP 服务器
        "fastmcp", //  fastmcp 子命令
        "run",    //  fastmcp run 子命令，用于运行服务器
        "/path/to/mcp-server/app.py" //  app.py 脚本的绝对路径，请替换为你的实际路径
      ],
      "env": {
        "APP_ENV": "local",
        "MALLORY_API_KEY": "your_api_key_here", //  API 密钥，建议在 .env 文件中配置，此处可以同步配置或留空
        "LOG_LEVEL": "ERROR",
        "LOG_DIR": "storage/logs"
      }
    }
  }
}

配置说明:

'command': MCP 服务器的启动命令，这里使用 'uv run' 来运行 Python 脚本。如果你的环境中 'uv' 命令不在 PATH 环境变量中，需要提供 'uv' 命令的完整路径。你也可以根据实际情况替换为 'python' 命令直接运行 'app.py'，例如 command 可以设置为 '/path/to/mcp-server/.venv/bin/python'， args 设置为 '["app.py"]'。
'args': 启动命令的参数列表。
- '--python /path/to/mcp-server/.venv/bin/python': 指定用于运行 'app.py' 的 Python 解释器，确保使用虚拟环境中的 Python。
- '--with fastmcp fastmcp run': 使用 'fastmcp' 插件运行服务器。'fastmcp' 可能是项目使用的 MCP 服务器框架或库。
- '/path/to/mcp-server/app.py': 指定服务器入口脚本 'app.py' 的路径。
'env': 服务器运行时需要的环境变量。
- 'APP_ENV', 'MALLORY_API_KEY', 'LOG_LEVEL', 'LOG_DIR': 这些环境变量会传递给 'app.py' 脚本，用于配置服务器行为。 请务必将 'MALLORY_API_KEY' 替换为你的实际 API 密钥。

重要提示: 请将配置中的 '/path/to/uv', '/path/to/mcp-server/.venv/bin/python', '/path/to/mcp-server/app.py' 替换为你本地环境的实际路径。

基本使用方法

启动服务器: 在项目根目录下，可以使用以下命令启动服务器：

# 直接执行 app.py
python app.py

# 使用 fastmcp 运行 (推荐，如果安装了 fastmcp CLI)
fastmcp run app.py

服务器默认使用 Stdio 传输协议，启动后会在终端中等待 MCP 客户端的连接和请求。

配置 MCP 客户端: 根据 MCP 客户端 (例如 Claude Desktop) 的文档，将上面提供的服务器配置 JSON 添加到客户端的配置文件中。
使用 LLM 调用工具: 在 MCP 客户端中，你可以指示 LLM 调用服务器提供的工具，例如：
- 请求 LLM 使用 'get_threat_actor' 工具查询特定威胁行动者的信息。
- 请求 LLM 使用 'find_vulnerability' 工具查找特定 CVE 编号的漏洞信息。
具体的调用方式取决于 MCP 客户端的功能和界面。你需要参考客户端的文档来了解如何与 MCP 服务器进行交互，并调用服务器提供的工具。

关键词