OpenAI SDK Knowledge MCP 服务器

关键词

OpenAI向量检索Cloudflare WorkersJSON-RPC后端代理

使用说明

  • 项目简介
    • 该项目实现了一个遵循 Model Context Protocol (MCP) 的后端服务器，核心职责是以标准化的方式向大语言模型客户端提供上下文信息、外部工具与资源管理能力。通过 JSON-RPC 与客户端通信，支持资源访问、工具调用与提示模板渲染等功能，便于将外部数据与能力整合到 LLM 的工作流中。
  • 主要功能点
    • MCP 核心协议支持：实现初始化、工具列表示、工具调用、资源查询等 MCP 请求/响应流程，遵循 MCP 的 JSON-RPC 风格。
    • 资源与数据访问：集成向量存储、数据库（D1）与外部数据源的访问能力，支持资源读取、索引与检索等能力。
    • 工具注册与执行：注册工具、传递参数、执行外部功能，以便 LLM 调用外部服务。
    • Prompt/模板管理：用于渲染与管理 Prompts 及相关加工逻辑，支持对话上下文的组织与渲染。
    • 安全与可扩展性：内置错误处理、请求校验、权限守卫（Guardrails），并可在 Cloudflare 生态中通过多种传输通道进行扩展。
    • 传输与部署：设计为 Cloudflare Worker 场景可运行，具备与 OpenAI Agents SDK 的 tracing 与模型提供者整合能力。
  • 安装步骤
    • 确认运行环境：Cloudflare Workers/Cloudflare Platform 及 Node 相关依赖就绪，具备对外接口能力。
    • 部署方式：将 MCP 服务器代码部署到 Cloudflare Workers，或按照你的流水线在本地/测试环境部署模拟服务器。
    • 配置依赖：确保环境变量中包含 OpenAI API Key、向量存储与数据库连接配置，以及 Cloudflare 账户相关信息（如需要）。
  • 服务器配置（供 MCP 客户端使用参考，配置信息为 JSON，包含 server name、command、args 等）
    • server name: openai-sdk-mcp
    • command: wrangler dev
    • args: ["--port","8787"] 以及根据你的部署环境调整的相关参数
    • 说明：以下为示例字段，MCP 客户端实际使用时需按需填充。url 指向你的 MCP 服务器端点（部署后的地址），headers 可选用于鉴权。
    • 你需要的 JSON 配置信息（非代码展示，仅供理解）： { "serverName": "openai-sdk-mcp", "url": "https://your-deployed-mcp-endpoint/mcp", "command": "wrangler dev", "args": ["--port","8787"], "headers": { "Authorization": "Bearer {your-api-key-if-needed}" } // 备注：MCP 客户端通常不需要该配置的实际执行，服务器端提供 API 接口供 MCP 客户端使用。 }
  • 基本使用方法
    • 客户端交互：通过 MCP 客户端向服务器发送 MCP 格式的请求，包含初始化、列出工具、执行工具、列出资源与读取资源等动作。服务器收到请求后返回 JSON-RPC 风格的响应或错误码。
    • 典型工作流：客户端初始化 → 获取工具列表 → 调用所需工具（传入 name 与参数）→ 获取资源信息并执行读取 → 根据需要渲染或返回 Prompts。
    • 调试与扩展：利用日志、错误处理与 guardrails 机制对请求进行安全性与稳定性控制；在需要时扩展新工具、资源类型或数据源。

服务器信息

访问项目