使用说明

项目简介

'mcp-workers-ai' 是一个轻量级的 MCP（Model Context Protocol）服务器 SDK，专为在 Cloudflare Workers 环境中运行而设计。它简化了在 Cloudflare Workers 上构建 MCP 服务器的过程，主要用于向大型语言模型（LLM）提供工具调用功能。该 SDK 允许开发者轻松集成和管理各种工具，供 LLM 在推理过程中调用，从而增强 LLM 的能力。

主要功能点

工具加载与管理: 允许动态加载和管理各种工具，扩展 LLM 的功能边界。
工具调用: 支持接收和处理来自 LLM 的工具调用请求，并执行相应的工具。
Cloudflare Workers 集成: 无缝集成 Cloudflare Workers 平台，利用其 Serverless 特性，实现高可用和弹性伸缩的 MCP 服务。
简化开发流程: 提供易于使用的 API，降低在 Cloudflare Workers 上构建 MCP 服务器的复杂性。

安装步骤

安装 npm 包: 在你的 Cloudflare Workers 项目中，使用 npm 或 yarn 安装 'mcp-workers-ai' 包：

yarn add mcp-workers-ai
# 或
npm install -S mcp-workers-ai

配置 Cloudflare Workers 环境变量 (可选): 某些工具可能需要环境变量进行配置，例如 'GITLAB_PERSONAL_ACCESS_TOKEN' 用于 GitLab 工具。在你的 'wrangler.toml' 文件中配置 '[vars]' 部分：
```
[vars]
GITLAB_PERSONAL_ACCESS_TOKEN = "YOUR_GITLAB_PERSONAL_ACCESS_TOKEN"
```

服务器配置

由于 'mcp-workers-ai' 是一个 SDK，它本身并不提供独立的服务器启动命令。你需要将其集成到 Cloudflare Workers 的 'fetch' 函数中。以下是一个配置示例，展示了如何在 'wrangler.toml' 中配置 Cloudflare Worker，并加载和使用工具：

name = "your-mcp-worker-name"  # 你的 Worker 名称，自定义
main = "src/index.ts"        # 入口文件，通常是 src/index.ts

[ai]
binding = "AI"               # Cloudflare AI binding 名称，用于 LLM 推理

[vars]
GITLAB_PERSONAL_ACCESS_TOKEN = "YOUR_GITLAB_PERSONAL_ACCESS_TOKEN" # 工具所需的任何环境变量

[alias]
"@modelcontextprotocol/sdk/server/index.js" = "mcp-workers-ai/sdk/server/index.js" # 可选，用于路径别名简化
"@modelcontextprotocol/sdk/server/stdio.js" = "mcp-workers-ai/sdk/server/stdio.js" # 可选，用于路径别名简化

配置信息 (JSON 格式，用于 MCP 客户端):

{
  "serverName": "cloudflare-workers-mcp-server",
  "command": "wrangler",
  "args": [
    "dev"  // 或 "publish" 用于部署
    // 如果需要指定配置文件，可以添加 "--config wrangler.toml"
  ],
  "description": "Cloudflare Workers MCP Server (Tool-focused)",
  "transport": "HTTP" // 客户端应通过 HTTP 与 Cloudflare Worker 交互
}

参数注释:

'serverName': MCP 服务器的名称，自定义即可。
'command': 启动服务器的命令，这里使用 'wrangler' 是 Cloudflare Workers 的 CLI 工具。
'args': 'wrangler' 命令的参数。 'dev' 用于本地开发， 'publish' 用于部署到 Cloudflare Workers。
'description': 服务器的描述信息，方便客户端识别。
'transport': 指明客户端与服务器通信的传输协议，Cloudflare Workers 通常通过 HTTP 协议对外提供服务。

注意: MCP 客户端需要配置能够访问你的 Cloudflare Worker URL 的方式，例如通过 'wrangler dev' 提供的本地 URL 或部署后 Cloudflare 分配的域名。

基本使用方法

编写 Cloudflare Worker 代码 (例如 'src/index.ts'):

import { loadTools, callTool } from "mcp-workers-ai";

export default {
  async fetch(request: Request, env: any): Promise<Response> {
    // 设置工具所需的环境变量 (例如从 Cloudflare Workers 环境变量中获取)
    process.env.GITLAB_PERSONAL_ACCESS_TOKEN = env.GITLAB_PERSONAL_ACCESS_TOKEN;

    // 加载工具，例如 GitLab 工具
    const tools = await loadTools([
      import("@modelcontextprotocol/server-gitlab/dist/"),
      // 可以加载更多工具...
    ]);

    const prompt = await request.text(); // 从请求体中获取用户 prompt

    // 调用 Cloudflare Workers AI 进行 LLM 推理，并传入工具列表
    const response = await env.AI.run(
      "@hf/nousresearch/hermes-2-pro-mistral-7b", // LLM 模型 ID
      {
        messages: [{ role: "user", content: prompt }],
        tools,
      }
    );

    // 处理工具调用
    if (response.tool_calls && response.tool_calls.length > 0) {
      const selected_tool = response.tool_calls[0];
      const toolResult = await callTool(selected_tool); // 调用 MCP 工具执行器

      // ... (后续处理工具调用结果，例如再次调用 LLM) ...

      return new Response("Tool called and processed."); // 简化的返回示例
    } else {
      return new Response(response.response); // 返回 LLM 的普通响应
    }
  },
};

部署或本地运行 Cloudflare Worker: 使用 'wrangler dev' 在本地开发环境中运行，或使用 'wrangler publish' 部署到 Cloudflare Workers。
MCP 客户端与 Worker 交互: MCP 客户端需要配置 Worker 的 URL 作为服务器地址，并按照 MCP 协议发送请求，例如工具列表请求或工具调用请求。客户端通常会发送 HTTP 请求到你的 Cloudflare Worker URL，Worker 的 'fetch' 函数会处理这些请求并返回响应。

注意事项

'mcp-workers-ai' 主要关注工具功能的实现，可能不包含完整的 MCP 服务器所有功能（例如资源管理、Prompt 模板等），请根据实际需求评估。
你需要安装并配置相应的工具包 (例如 '@modelcontextprotocol/server-gitlab') 才能使用对应的工具。
确保 Cloudflare Workers 环境配置正确，包括 AI binding 和环境变量等。

关键词