使用说明
MyOwnMCP - 自主学习命令行界面工具
一个轻量级的、可自我学习的命令行界面（CLI）工具，能够适应您的使用习惯并提供智能命令建议。
特性/功能
- 自我学习命令模式
- 智能自动补全建议
- 本地命令执行（MCP服务器）
- 训练数据导入/导出
- 完全本地化运营
技术架构
向量存储
目前使用scikit-learn的TF-IDF向量化器和最近邻算法进行命令相似度匹配。数据使用joblib进行持久化存储。
潜在改进措施：
- FAISS（快速应用索引库） - Facebook AI的高效相似度搜索
- 色度 - 开源嵌入式数据库
- Milvus（在中文语境中，该词可能直接音译或根据上下文意译为“鹰嘴豆”或保持原样使用，具体取决于使用场景和语境，但通常作为专有名词或技术术语时，直接音译较为常见） - 为可扩展相似度搜索构建的向量数据库
机器学习组件
- TF-IDF 向量化器：将命令转换为数值向量
- 最近邻算法：查找相似命令以提供建议
- Joblib：持久化存储模型和学习到的模式
本地大型语言模型集成（计划中）
你可以通过以下方式增强该工具： Ollama（注：Ollama是一个开源的机器学习框架，用于训练和部署机器学习模型，但直接翻译其名称并无特定含义，因此此处保留原英文名称） 对于；为；给
- 更好地理解指令
- 自然语言处理
- 情境感知建议
示例集成模式：
# Using Ollama for command understanding
from langchain.llms import Ollama
from langchain.embeddings import OllamaEmbeddings
llm = Ollama(model="llama2")
embeddings = OllamaEmbeddings(model="llama2")
安装
- 克隆仓库
- 安装依赖项：
pip install -r requirements.txt
用法
运行CLI工具：
python mcp.py
带有训练数据：
python mcp.py --training-data your_training_data.yaml
技术文档
向量存储
该工具目前使用：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.neighbors import NearestNeighbors
数据被持久化存储在 model.joblib 包含：
- 训练好的TF-IDF向量化器
- 最近邻模型
- 历史命令
学习过程
- 收到新指令 → 使用TF-IDF进行向量化
- 向最近邻模型中添加向量
- 模型重新训练
- 状态已持久化到磁盘
相关资源
-
向量数据库：
-
本地大型语言模型（LLMs）：
-
机器学习：