使用说明

• 项目简介

  • Scimantic MCP 服务器基于 MCP（Model Context Protocol）构建，核心职责是以标准化方式向 MCP 客户端提供上下文信息与功能。它实现了证据（Evidence）的注册与持续性存储、工具注册与执行、以及基于 RDF/PROV-O 的数据模型渲染与查询能力，面向科学研究的 AI 助手和知识图谱场景。
  • 服务器通过 MCP 的工具机制暴露若干工具，例如获取当前 Provenance 图、添加证据、以及生成设计/假设等占位功能。后端使用 Python 实现并与扩展客户端协作，通过 JSON-RPC 风格的接口进行通信。

• 主要功能点

  • MCP 工具注册与暴露：get_provenance_graph、add_evidence、mint_hypothesis、mint_design 等工具可被 MCP 客户端调用。
  • 证据模型与 RDF 序列化：Evidence 模型可序列化为 RDF 图，包含 dual typing（scimantic:Evidence 与 prov:Entity）、内容、来源、引用、归属代理、以及生成时间等元数据。
  • Provenance 管理：通过 provenance_tracker 记录活动、时间戳与标签，支持导出 Turtle 格式的图。
  • JSON 图谱输出：提供 get_provenance_graph_json 接口，输出可用于 VS Code 插件的 evidence 列表及元数据（如时间戳、来源、代理人等）。
  • 客户端可扩展性：提供简单的接口来获取、持久化和查看证据，便于与前端扩展（如 VS Code）协同工作。

• 安装与运行步骤

  • 准备环境
    • 确保已安装 uv（仓库通常使用 uv 工具来管理虚拟环境并执行 MCP 服务器）。
    • 确保在仓库根目录下运行，以便 uv 能正确定位 pyproject.toml 与虚拟环境。
  • 启动 MCP 服务器
    • 通过命令启动：uv run python -m scimantic.mcp
    • 该命令会启动内置的 FastMCP 服务器，并注册上述工具，监听来自 MCP 客户端的请求。
  • 验证运行
    • 启动后可以通过 MCP 客户端（如扩展、测试脚本）请求 get_provenance_graph、add_evidence 等工具，验证 RDF 图的持续性与一致性。
  • 运行测试
    • 仓库内含单元测试，可用 pytest 运行以验证核心模型、 Provenance、以及 MCP 工具注册/使用逻辑。

• 服务器配置（MCP 客户端需要的最小信息，供连接 MCP 服务器时参考） { "server_name": "Scimantic MCP Server", "command": "uv", "args": ["run", "python", "-m", "scimantic.mcp"], "notes": "启动 MCP 服务器的命令，使用 uv 工具以激活正确的虚拟环境并运行 scimantic.mcp。确保在仓库根目录执行以便正确定位 pyproject.toml 与依赖。" }

• 基本使用方法

  • 客户端可以通过 MCP JSON-RPC 调用服务器暴露的工具，如获取当前 Provenance 图、向知识图添加证据等。
  • 通过 get_provenance_graph 可以查看当前 Provenance 的 Turtle 表示，便于调试和展现。
  • 通过 add_evidence 向项目图中持久化证据，证据将被追加到 project.ttl，支持多次追加并累积。
  • 使用 get_provenance_graph_json 为 VS Code 插件等前端提供结构化的证据数据，便于渲染知识图视图。