Pocket Agent MCP Server

关键词

model contexttool registrysemantic memorylocal serverJSON-RPC

使用说明（简要、可操作）

  • 项目简介

    • 该仓库实现了一个基于 MCP（Model Context Protocol）的后端框架，核心目标是为大型语言模型（LLM）客户端提供结构化的上下文服务，包括对“资源、工具、提示模板”等的托管、访问以及执行能力的暴露。实现方式以在本地或进程内运行的 MCP 服务器为主，支持通过 JSON-RPC 与客户端通信，并提供多传输协议的能力（如 STDIO、SSE、WebSocket 等等）。
    • 关键能力包括：托管资源与数据访问、注册并执行工具、定义和渲染提示模板以及会话/能力声明等，便于将外部功能和上下文整合到 LLM 的工作流中。

  • 主要功能点（通俗描述）

    • 资源管理：提供对“资源（Resources）”的统一托管与访问能力，方便客户端读取和使用数据。
    • 工具注册与执行：支持注册“工具（Tools）”，LLM 可以通过 MCP 触发对外部能力的调用。
    • 提示模板管理：定义和渲染 Prompt 模板，支持按需定制不同的交互模式。
    • JSON-RPC 通信：客户端通过 JSON-RPC 与 MCP 服务器进行请求（如读取资源、调用工具、获取 Prompt）并接收响应。
    • 会话与能力声明：服务器端负责会话上下文、能力披露和多会话隔离等能力。
    • 多传输协议支持：实现对多种传输协议的支持，方便在不同环境中对接。
    • 插件式扩展：通过工具和服务器配置实现扩展，便于你自定义资源、工具和 Prompts 的接入方式。

  • 安装与运行（简要步骤）

    • 克隆代码并安装依赖
    • 构建与启动 MCP 相关服务（可选在进程内或外部进程中运行）
    • 配置 MCP 服务器（见下方“服务器配置”部分的示例说明）
    • 启动后，客户端通过 JSON-RPC 与 MCP 服务器进行交互

  • 服务器配置（需要给 MCP 客户端使用的配置信息）

    • 说明：以下为示例配置思路，实际请按仓库中提供的接口与入口来组织。客户端需要的仅是服务器描述信息，具体连接参数由 MCP 客户端在使用时提供，不需要在此处实现客户端逻辑。
    • server 名称示例：pocket-agent-tools（在仓库中用于对外暴露工具的 MCP 服务器实例）
    • command 与 args：启动服务器的命令及参数，例如用于在同一进程中运行的 MCP 服务入口，或为独立进程提供的启动命令与参数。
    • 注释性说明（GET 注释形式，不作为代码展示）：
      • name: pocket-agent-tools
      • command: node
      • args: ["path/to/your/app/dist/sdk-mcp-server.js"]（请替换为实际入口）
      • 说明：此服务器通过 Claude/CLAUDE-Agent-SDK 提供的 MCP 服务，暴露工具集合、资源访问与 Prompts 渲染能力，客户端连接后可通过 JSON-RPC 调用资源读取、工具执行与提示获取等接口。
    • 备注：一个 MCP 客户端通常需要至少一个服务器的启动信息（server 名称、command、args），以便建立连接并向服务器发送 MCP 请求。此处的配置旨在帮助你理解在客户端如何指向 MCP 服务器；具体 JSON 配置应以实现中的字段与文档为准。

  • 基本使用方法

    • 启动方式：以服务进程的形式启动 MCP 服务器，你可以在同一台主机上同时运行一个或多个 MCP 服务器（如一个专门暴露工具，另一个暴露资源等）。
    • 客户端接入：MCP 客户端通过 JSON-RPC 对 MCP 服务器发起请求，完成对资源、工具、Prompts 的读取、执行与渲染。
    • 使用流程示例（概念性描述，不包含代码）：
      • 客户端请求读取某一资源，服务器返回资源数据及元信息。
      • 客户端请求调用某个工具，服务器执行并返回执行结果与可能的输出消息。
      • 客户端请求获取某个 Prompt 模板，服务器返回模板及渲染后的文本片段。
      • 会话信息、能力声明按 MCP 规范返回，确保多会话隔离与能力对外披露。
    • 部署与扩展：如需扩展工具，可通过仓库内的工具定义与实现（如 memory-tools、calendar-tools、task-tools 等）进行扩展，并在 MCP 服务层暴露这些工具。

  • 备注与注意

    • 此实现的核心在于把现有的 AI 助手模块（如内置的工具、内存、提示等）通过 MCP 服务暴露给 LLM 客户端使用，尽量保持现有工具与内存的设计风格与 MCP 的上下文能力对齐。
    • 若要将其作为完整的 MCP 服务落地使用，建议结合实际的 Cloud/本地部署需求，确保 JSON-RPC 的请求与响应格式、传输层的实现（STDIO/SSE/WebSocket 等）以及资源、工具、Prompts 的具体接口文档一致。

服务器信息

访问项目