AI导哈

命令执行会话服务器

一个基于会话的命令执行服务器，提供智能LLM支持的摘要生成和文件操作功能。

  • by darrenoakey
  • Python
  • 本地部署
  • 5 星标
  • 更新于
在 GitHub 查看 darrenoakey/daz-command-mcp

使用说明

DAZ命令MCP服务器

一种模型上下文协议（MCP）服务器，提供基于会话的命令执行和基于LLM的智能摘要。

🚀 特性

  • 🔧 会话管理：创建、打开和管理隔离的命令执行会话
  • ⚡ 命令执行：运行带有超时控制和工作目录管理的shell命令
  • 📁 文件操作：具有全面错误处理功能的读写文本文件
  • 🤖 LLM总结：使用结构化LLM响应自动跟踪会话进度
  • 📋 事件日志记录：完成会议期间所有业务的审计跟踪
  • 🔒 线程安全：具有适当同步的稳健并发操作

📦 安装

先决条件

  • Python 3.8+
  • fastmcp 图书馆
  • dazllm LLM集成库

快速设置

  1. 克隆此存储库：
git clone https://github.com/yourusername/daz-command-mcp.git
cd daz-command-mcp
  1. 安装依赖项：
pip install -r requirements.txt
  1. 配置LLM模型 在脚本中（默认值： lm-studio:openai/gpt-oss-20b)

🎯 用法

启动服务器

python main.py

可用工具

会话管理

  • daz_sessions_list() -列出所有会话并确定活动会话
  • daz_session_create(name, description) -创建并激活新会话
  • daz_session_open(session_id) -打开并激活现有会话
  • daz_session_current() -获取当前活动会话的详细信息
  • daz_session_close() -关闭当前会话
  • daz_session_rename(old_name, new_name) -重命名现有会话
  • daz_session_delete(session_name) -通过移动到deleted_sessions删除会话

命令和文件操作

所有命令和文件操作都需要活动会话和上下文参数：

  • daz_command_cd(directory, current_task, summary_of_what_we_just_did, summary_of_what_we_about_to_do) -更改工作目录
  • daz_command_read(file_path, current_task, summary_of_what_we_just_did, summary_of_what_we_about_to_do) -读取文本文件
  • daz_command_write(file_path, content, current_task, summary_of_what_we_just_did, summary_of_what_we_about_to_do) -编写文本文件
  • daz_command_run(command, current_task, summary_of_what_we_just_did, summary_of_what_we_about_to_do, timeout=60) -执行shell命令

学习与指导

  • daz_add_learnings(learning_info) -为会议添加重要发现和背景
  • daz_instructions_read() -阅读当前会话说明
  • daz_instructions_add(instruction) -向会话添加新指令
  • daz_instructions_replace(instructions) -用新列表替换所有说明
  • daz_record_user_request(user_request) -在多步骤任务开始时记录用户请求

工作流示例

# Create a new session
daz_session_create("Setup Project", "Setting up a new Python project with dependencies")

# Navigate to project directory  
daz_command_cd("/path/to/project", 
               "Setting up Python project",
               "Created new session for project setup", 
               "Navigate to project root directory")

# Run commands
daz_command_run("pip install -r requirements.txt",
                "Setting up Python project", 
                "Navigated to project directory",
                "Install project dependencies")

# Read configuration
daz_command_read("config.json",
                 "Setting up Python project",
                 "Installed dependencies successfully", 
                 "Review current configuration settings")

# Write new file
daz_command_write("setup.py", "...",
                  "Setting up Python project",
                  "Reviewed configuration file",
                  "Create package setup file")

🏗️ 建筑

会话存储

会话以JSON文件的形式存储在 sessions/ 目录具有以下结构：

{
  "id": "unique-session-id",
  "name": "Session Name", 
  "description": "Detailed description",
  "created_at": 1692123456.789,
  "updated_at": 1692123456.789,
  "summary": "LLM-generated summary",
  "progress": "Current progress status",
  "current_directory": "/current/working/dir",
  "events_count": 42
}

事件日志记录

每个操作都记录在 event_log.jsonl:

{
  "timestamp": 1692123456.789,
  "type": "run|read|write|cd|user_request|learning",
  "current_task": "The task being worked on",
  "summary_of_what_we_just_did": "What was just completed",
  "summary_of_what_we_about_to_do": "What's planned next",
  "inputs": {...},
  "outputs": {...}, 
  "duration": 0.123
}

LLM集成

服务器使用异步LLM处理来维护会话摘要：

  • 🔄 后台处理：摘要在单独的线程中运行
  • 🛡️ 容错：LLM故障不会影响MCP操作
  • 📋 结构化输出：使用Pydantic模型进行可靠的解析
  • ⚙️ 可配置模型：易于在不同LLM提供商之间切换

⚙️ 配置

LLM模型

编辑 LLM_MODEL_NAME 恒常 src/models.py:

LLM_MODEL_NAME = "your-model-name"

会话目录

会话存储在 ./sessions/ 默认情况下。这可以通过更改 SESSIONS_DIR 恒常 src/models.py.

🛠️ 错误处理

  • 🔄 故障弱化：即使LLM摘要失败，操作也会继续
  • 📝 综合录井：所有错误都记录到stderr
  • ✅ 输入验证：强大的参数检查和净化
  • 🔒 文件安全：原子文件操作可防止损坏

🔗 整合

此MCP服务器与Claude Desktop和其他MCP兼容客户端集成。将其添加到MCP配置中：

{
  "mcpServers": {
    "daz-command": {
      "command": "python",
      "args": ["/path/to/main.py"]
    }
  }
}

📁 项目结构

daz-command-mcp/
├── README.md              # This file
├── main.py                # Entry point
├── requirements.txt       # Dependencies
├── images/                # Documentation images
├── sessions/              # Session storage (auto-created)
└── src/                   # Source code
    ├── __init__.py
    ├── command_executor.py    # Command execution logic
    ├── history_manager.py     # Session history management
    ├── mcp_tools.py          # MCP tool definitions
    ├── models.py             # Data models and constants
    ├── session_manager.py    # Session lifecycle management
    ├── summary_generator.py  # LLM summary generation
    ├── summary_worker.py     # Background summarization worker
    ├── utils.py              # Utility functions
    └── tests/                # Unit tests
        ├── test_add_learnings.py
        ├── test_initialization_fix.py
        ├── test_llm_system_integration.py
        ├── test_new_parameter_system.py
        └── test_summary_generation.py

🧪 测试

运行综合测试套件：

# Run all tests
python -m pytest src/tests/

# Run specific test
python -m pytest src/tests/test_summary_generation.py -v

# Run with coverage
python -m pytest src/tests/ --cov=src

🤝 贡献

  1. 分叉存储库
  2. 创建要素分支(git checkout -b feature/amazing-feature)
  3. 进行更改
  4. 如果适用，添加测试
  5. 提交您的更改(git commit -m 'Add amazing feature')
  6. 推到分支(git push origin feature/amazing-feature)
  7. 提交拉取请求

📜 许可证

[在此处添加您的许可证]

📦 依赖项

  • fastmcp：MCP服务器框架
  • 达兹勒姆：LLM集成库

💬 支持

有关问题和疑问，请在GitHub上打开问题或联系[您的联系信息]。

内置于❤️ 模型上下文协议生态系统

许可证

该项目已获得许可 CC BY NC 4.0 -可自由使用和修改，但未经许可不得用于商业用途。

相关 MCP