AI导哈

产品搜索对话服务器

一个基于大型语言模型的智能对话接口，用于搜索产品数据并提供相似产品推荐、食谱生成等功能。

  • by braveenth
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 braveenth/noname-mcp-server

使用说明

无名称MCP服务器

概述

该项目实现了一个模型上下文协议（MCP）服务器，该服务器为搜索产品数据提供了一个智能的对话界面。服务器利用大型语言模型（LLM）来理解自然语言查询，与存储在CSV文件中的产品数据库进行交互，并返回结构化的相关信息。它使用FastAPI和LangGraph构建，为产品发现创建了一个强大的基于代理的系统。

特性

  • 自然语言产品搜索：用简单的英语询问产品（例如，“给我找些牛奶”）。
  • 类似产品推荐：发现同一过道中的其他产品（例如，“什么与黄油相似？”）。
  • 配方生成：根据配料清单获得食谱创意。
  • 产品链接检索：立即获得产品页面的直接链接。
  • 营养信息：访问产品的模拟营养数据。
  • 可扩展工具集：通过添加新工具，可以轻松扩展服务器的功能。

建筑

服务器使用基于LangGraph的代理来处理传入的请求。代理根据用户的查询决定使用哪个工具，执行该工具，然后制定最终响应。

数据源

  • noname_products.csv：此文件包含核心产品数据，它是从Kaggle获得的。它包括以下列 Name, aisle, brand, price，以及 Code （用于生成链接的产品标识符）。该数据基于加拿大一家超市的产品。
  • OpenAI API：The get_recipe 工具利用 gpt-4 OpenAI的模型，根据给定的配料列表动态生成食谱。

可用工具

工具 说明 输入参数
get_products 按名称搜索产品。 query （字符串）
get_similar_products 查找与给定产品位于同一过道中的产品。 product_name （字符串）
get_recipe 根据配料列表生成食谱。 ingredients （字符串列表）
get_nutritional_info 返回（模拟）产品的营养信息。 product_name （字符串）
get_products_with_links 搜索产品，并为每个产品提供一个网络链接。 query （字符串）
get_similar_products_with_links 查找类似的产品，并为每个产品提供一个网络链接。 product_name （字符串）

API终点

列出可用工具

  • GET /tools/list
  • 描述：检索所有可用工具的列表，包括它们的名称、描述和输入模式。
  • 响应：JSON数组 ToolDefinition 物体。

运行代理

  • POST /mcp
  • 描述：向MCP代理发送查询以进行处理。
  • 请求正文:
    {
  "query": "your natural language query here"
}
  • 响应一 MCPResponse 包含代理结构的对象 SearchResponse.

设置和运行服务器

  1. 克隆存储库：

    git clone <repository-url>
cd mcp_server

  2. 安装依赖项：

    pip install -r requirements.txt

  3. 设置环境变量： 创建一个 .env 文件，并添加您的OpenAI API密钥：

    OPENAI_API_KEY="your-api-key-here"

  4. 运行服务器：

    uvicorn app:app --host 0.0.0.0 --port 8000

    服务器将可在以下位置访问 http://localhost:8000.

使用示例

获取工具列表

curl -X GET http://localhost:8000/tools/list

搜索产品

curl -X POST http://localhost:8000/mcp \
-H "Content-Type: application/json" \
-d '{
  "query": "find me some eggs"
}'

查找带有链接的类似产品

curl -X POST http://localhost:8000/mcp \
-H "Content-Type: application/json" \
-d '{
  "query": "find products similar to milk and give me links"
}'

项目结构

.
├── CSVs/
│   └── noname_products.csv   # Product data
├── product_search/
│   ├── __init__.py
│   ├── agent.py              # Defines the LangGraph agent
│   ├── graph.py              # Wires up the tools for the agent
│   ├── schema.py             # Pydantic models for data structures
│   └── tools.py              # Core tool implementations
├── .env                      # Environment variables (needs to be created)
├── app.py                    # FastAPI application and endpoints
├── Dockerfile                # Containerization configuration
└── requirements.txt          # Python dependencies

贡献

欢迎投稿！如果您有改进建议或发现任何问题，请随时：

  1. 打开一个问题：描述问题或功能建议。
  2. 提交拉取请求：分叉存储库，进行更改，并提交一份PR，明确描述您的工作。

相关 MCP