关键词

LLM上下文服务OCI资源集成语义搜索平台AI工具调用大模型后端

项目简介

该仓库提供了一系列用于在Python中开发、部署和集成MCP (Model Context Protocol) 服务器的代码和示例。这些MCP服务器旨在帮助AI模型（如LLM或代理）通过统一接口与外部工具、数据源和Oracle OCI服务进行双向连接。它特别强调了与Oracle OCI资源的集成，包括数据库（如Oracle 23AI）和AI服务，并支持JWT安全认证。

主要功能点

  • MCP服务器开发: 使用开源的FastMCP库，轻松构建符合MCP标准的后端服务器。
  • OCI资源深度集成: 与Oracle数据库（用于向量搜索等）、OCI Generative AI、OCI IAM等服务深度集成，充分利用Oracle云基础设施的能力。
  • AI工具暴露与调用: 将数据库查询、高性能语义搜索等企业级功能封装为可供LLM调用的MCP工具，扩展LLM的实际应用能力。
  • 增强安全机制: 支持JWT认证，并可与OCI IAM集成，确保服务器通信安全，满足生产环境要求。
  • AI代理无缝集成: 允许ChatGPT、Claude.ai等AI助手通过标准MCP协议调用暴露的工具，智能地获取和利用上下文信息。
  • 完整语义搜索方案: 包含一个完整的MCP服务器示例，可在Oracle 23AI数据库上实现高效、准确的语义搜索功能。
  • Deep Research 兼容: 提供符合OpenAI Deep Research规范的 'search' 和 'fetch' 工具，便于与高级AI研究工具集成。

安装步骤

  1. 克隆仓库: 打开命令行或终端，执行以下命令将项目仓库克隆到您的本地机器： 
    git clone https://github.com/luigisaetta/mcp-oci-integration.git
cd mcp-oci-integration
  2. 安装Python依赖: 项目依赖FastMCP、LangChain、OracleDB等多个Python库。虽然仓库未提供 'requirements.txt'，您可以根据代码中导入的库手动安装，或自行创建一个 'requirements.txt' 文件并安装： 
    pip install fastmcp langchain-oci langchain_community langchain-oracledb oci pydantic requests streamlit
    （请注意，实际依赖可能更多，根据运行时错误补充安装）
  3. 配置Oracle OCI连接:
    • 在仓库根目录下，创建一个名为 'config_private.py' 的文件。您可以参考 'config_private_template.py' 中的模板。
    • 在该文件中，填入您的Oracle数据库连接详细信息（'VECTOR_DB_USER', 'VECTOR_DB_PWD', 'VECTOR_DSN', 'VECTOR_WALLET_PWD', 'VECTOR_WALLET_DIR'），以及OCI Compartment ID ('COMPARTMENT_ID')。
    • 如果您计划启用JWT认证，还需要配置JWT密钥 ('JWT_SECRET')、OCI客户端ID ('OCI_CLIENT_ID') 和OCI Vault Secret OCID ('SECRET_OCID')。
    • 确保您的Python环境已正确配置，可以连接到Oracle数据库。这可能需要安装Oracle客户端库并设置 'TNS_ADMIN' 环境变量。
  4. 准备Oracle数据库 (可选): 如果您打算使用语义搜索功能，需要将您的文档加载到Oracle数据库中，并确保数据库中存在VECTOR类型的表，以便进行向量存储和检索。

服务器配置

MCP客户端若要连接并使用本仓库提供的MCP服务器，通常需要以下配置信息。这些信息将指导客户端如何找到并与MCP服务器通信。

{
  "server_name": "OCI 语义搜索 MCP 服务器",
  "command": "python",
  "args": ["mcp_semantic_search_with_iam.py"],
  "transport": "streamable-http",
  "url": "http://localhost:9000/mcp"
}
  • 'server_name': 这个字段是服务器的描述性名称，用于标识您的MCP服务器，例如“OCI 语义搜索 MCP 服务器”或“OCI Deep Research MCP 服务器”。
  • 'command': 启动MCP服务器所使用的程序或脚本的解释器，对于Python实现的服务器，通常是'"python"'。
  • 'args': 传递给'command'的参数列表，这里是MCP服务器的启动脚本文件。您可以根据需要选择启动 'mcp_semantic_search_with_iam.py' 或 'mcp_deep_research_with_iam.py'。
  • 'transport': 服务器与客户端通信所使用的底层协议类型，本仓库示例中默认为'"streamable-http"'。
  • 'url': MCP服务器的访问地址和端口，客户端将通过此URL与服务器建立连接。默认情况下，服务器会在本地9000端口的'/mcp'路径下提供服务。如果服务器部署在其他主机或端口，或者使用了不同的基路径，您需要相应修改此URL。
  • JWT认证 (可选): 如果MCP服务器启用了JWT认证（通过 'config.py' 中的 'ENABLE_JWT_TOKEN = True' 控制），MCP客户端在连接时还需要提供一个有效的JWT令牌。令牌通常需要通过 'oci_jwt_client.py' 中定义的类似机制获取。

基本使用方法

  1. 启动MCP服务器:
    • 打开命令行或终端，导航到项目的根目录。
    • 运行您想启动的MCP服务器脚本。例如，启动语义搜索服务器： 
      python mcp_semantic_search_with_iam.py
    • 服务器将根据 'config.py' 中的配置（默认 'http://0.0.0.0:9000/mcp'）监听客户端请求。
  2. 使用Streamlit UI进行测试 (MCP客户端示例):
    • 在另一个独立的终端中，导航到项目根目录，并运行Streamlit UI： 
      streamlit run ui_mcp_agent.py
    • Streamlit应用将在您的默认浏览器中自动打开。
    • 在左侧边栏的“Connection”部分，输入MCP服务器的URL（默认应为 'http://localhost:9000/mcp'）。
    • 选择一个可用的OCI Generative AI模型。
    • 点击“🔌 Connect / Reload tools”按钮，连接到MCP服务器并加载其暴露的工具。
    • 在页面底部的聊天输入框中输入您的问题，例如：“List all available collections in the vector store.”或“Search for documents about Luigi Saetta in the BOOKS collection with top 3 results.”。LLM将智能地调用MCP服务器提供的工具来获取信息并回答您的问题。

信息

分类

AI与计算

访问项目