AI导哈

模型上下文协议服务器集合

一个全面的模型上下文协议（MCP）服务器套件，用于个人和研究场景，提供统一的LLM API访问、研究工具和生产力集成。

  • by james-alvey-42
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 james-alvey-42/mcp-servers

使用说明

MCP服务器集合

用于个人和研究环境的一套全面的模型上下文协议（MCP）服务器。该项目通过MCP协议提供对多个LLM API、研究工具和生产力集成的统一访问。

🚀 可用服务器

API桥梁✅ 完成

地点： llm-api-bridge/

具有内置比较和评估工具的多个LLM API的统一接口。

特征：

  • 使用一致的API呼叫OpenAI、Google Gemini和其他LLM提供商
  • 模型比较和评估工作流程
  • 使用情况跟踪和成本优化
  • 安全的API密钥管理

快速入门：

cd llm-api-bridge
pip install -r requirements.txt
export OPENAI_API_KEY="your-key"
mcp install server.py --name "LLM API Bridge"

工具： call_llm, list_models, echo_test
资源： 服务器信息、提供商状态
提示： 模型比较模板

ArXiv纸张下载器✅ 完成

地点： arxiv-downloader/

下载并管理ArXiv的学术论文，包括完整的元数据和上下文细节。

特征：

  • 按关键字、作者、类别搜索ArXiv
  • 下载带有元数据提取功能的PDF
  • 引文管理和书目工具
  • 论文分析和结构化提示
  • 类别过滤和高级搜索语法
  • 具有有序文件管理的本地纸张存储

快速入门：

cd arxiv-downloader
pip install -r requirements.txt
mcp install server.py --name "ArXiv Paper Downloader"

工具： search_papers, get_paper_info, download_paper, list_categories, echo_test
资源： 服务器信息、下载状态
提示： 论文分析、引文格式

Apple提醒界面🚧 计划的

地点： apple-reminders/ （即将推出）

通过MCP直接管理Apple提醒，实现无缝任务集成。

计划功能：

  • 创建、阅读、更新、删除提醒
  • 管理提醒列表和类别
  • 基于位置和基于时间的提醒
  • 与Apple的EventKit集成

日历提醒集成🚧 计划的

地点： calendar-integration/ （即将推出）

日历和提醒之间的桥梁，用于智能工作计划和防止过度承诺。

计划功能：

  • 分析日历可用性
  • 建议最佳调度时间
  • 工作量分析和警告
  • 集中精力工作的时间限制

📚 文档

完整的文件 -全面的指南和参考

快速链接

🏃‍♂️ 快速开始

1.选择服务器

从 API桥梁 以便立即访问LLM或探索计划中的服务器以获得未来的功能。

2.遵循安装指南

每台服务器都包含详细的设置说明。对于LLM API大桥：

  • 安装Python依赖项
  • 安全地配置API密钥
  • 使用MCP检查员进行测试
  • 在Claude桌面中安装

3.探索文档

查阅综合文档 docs/ 获取高级用法、安全最佳实践和开发指南。

🛠️ 开发状态

第一阶段：基础✅ 完成

  • [x] MCP架构研究和文档
  • [x] FastMCP实现模式
  • [x] 具有OpenAI提供商的LLM API桥接服务器
  • [x] 全面的文档和安全指南

第二阶段：多提供商支持✅ 完成

  • [x] Google Gemini提供商实施
  • []其他法学硕士提供者（Claude，本地模型）
  • []增强的缓存和优化

第三阶段：研究工具✅ 完成

  • [x] ArXiv纸张下载服务器
  • [x] 学术研究工作流程集成
  • [x] 引文和书目管理

第四阶段：生产力整合📅 计划的

  • []Apple提醒界面
  • []日历集成功能
  • []跨平台任务管理

🔧 技术架构

MCP协议

基于LLM应用程序集成的模型上下文协议标准构建：

  • 工具： 执行操作和功能
  • 资源： 提供上下文数据
  • 提示： 可重用的交互模板

FastMCP框架

使用高级FastMCP Python框架：

  • 基于装饰器的API(@mcp.tool(), @mcp.resource(), @mcp.prompt())
  • Pydantic模型的结构化输出
  • 内置开发和测试工具

提供者抽象

跨不同服务的一致接口：

  • 适用于多个LLM提供程序的统一API
  • 标准化响应格式
  • 可插拔的提供者架构

🔒 安全

  • 基于环境的配置 对于API密钥
  • 没有硬编码的秘密 在任何代码库中
  • 全面的安全文件
  • 生产部署的最佳实践

看 API密钥管理指南 详细的安全实践。

🤝 贡献

入门指南

  1. 审查 MCP概述
  2. 设置 Python开发环境
  3. 跟随 FastMCP实施指南

开发工作流程

  • 每个服务器都遵循既定的模式
  • 与MCP检查员进行全面测试
  • 所有功能的文档
  • API集成的安全审查

📞 支持

文件优先

  • 查看相关服务器README
  • 查看文档中的故障排除部分
  • 使用回声工具测试基本连接

常见问题

  • 服务器无法启动： 检查Python版本（3.10+）和依赖关系
  • API关键错误： 验证环境变量配置
  • 连接问题： 首先与MCP检查员进行测试

🌟 项目愿景

该项目展示了模型上下文协议在创建统一、安全和可扩展的LLM集成方面的强大功能。通过为多台服务器提供一致的接口，我们实现了：

  • 无缝LLM提供者切换 对比
  • 研究工作流程自动化 使用学术工具
  • 提高生产率 通过日历和任务集成
  • 教育资源 用于MCP开发

目标是创建一个全面的工具包，弥合人工智能能力和实际日常工作流程之间的差距，同时保持安全性和易用性。

最新更新： 截至最近一次提交时的当前状态
MCP SDK版本： 1.9.4+
Python版本： 3.10+

相关 MCP