AI模型选择服务

LOG mcp

停止猜测使用哪种AI模型。每次您在草稿响应之间进行选择时，此MCP服务器都会构建您的偏好数据集。它从你的实际选择中学习，而不是从一般的基准中学习。

实时网址： https://log-mcp.casey-digennaro.workers.dev 许可证： MIT• 运行时间： Cloudflare员工 依赖关系： 0

为什么存在

公共模型排名往往不能反映你的具体需求。此服务器直接从您在工作时所做的选择中学习您的偏好，帮助它将未来的提示路由到您可能选择的模型。

快速开始

首先分叉此存储库以创建自己的实例。

1. 分叉 这个仓库。
2. 部署 使用fork中的一键按钮将Cloudflare Workers添加到您的fork中。
3. 添加您的模型API密钥 在Worker的环境变量中。

对于当地发展：

git clone https://github.com/your-username/log-mcp
cd log-mcp
cp .env.example .env
# Add your API keys to the .env file
npm run dev

运作原理

当您提交提示时，LOG mcp会从每个配置的模型生成草稿响应。你选择最好的一个。每个选项都会训练你的私人偏好档案。随着时间的推移，它开始将提示直接路由到您选择的模型。所有选择数据都保留在您的Worker中。

特性

• 偏好学习： 路线提示基于您过去的选择。
• PII剥离： 默认情况下，在发送到模型API之前删除可识别信息（姓名、电子邮件、电话号码）。
• 语义缓存： 跳过语义相似、先前已回答的提示的重新生成。
• 培训数据导出： 以标准LoRA/DPO格式导出您的偏好对。
• 多模型支持： 为OpenAI、Anthropic、Google和开放权重模型配置端点。
• MCP合规性： 适用于支持模型上下文协议的任何客户端。
• 零依赖性： 一个可快速部署的独立脚本。

局限性

该系统需要明确的选择数据来学习。如果您很少在草稿之间进行选择，则无法构建有效的路由配置文件，并将继续显示所有模型输出。

建筑

LOG mcp在Cloudflare Workers上无状态运行。所有偏好数据都存储在Cloudflare KV命名空间中。没有要管理的外部数据库或后台进程。