MCP工具集

全栈MCP集线器

FullStack MCP Hub——完整的MCP工具包，内置RAG、GUI和50多种免费工具（无付费API），开箱即用。

适用于：

• OpenAI/ChatGPT Codex CLI
• 双子座命令行界面
• ChatGPT（开发模式） 通过自定义连接器
• 克劳德 （台式机/MCP）
• 本地LLMs （llama.cpp、LM工作室等）
• 基本上 任何事物 可以通过以下方式连接到MCP服务器 标准 或 上海证券交易所

FullStack MCP Hub为您提供的不是每个模型都有自己的隔离工具和半内存 一个中央MCP堆栈:

• A. 网关+集线器 它连接到多个MCP服务器，发现工具，并通过单个端点公开它们。
• A. 图形UI 您可以在哪里：
  • 从所有连接的服务器浏览工具，
  • 编辑工具描述，
  • 阻止你不想使用的工具，
  • 保存有效载荷预设，
  • 并使用JSON输入和真实响应运行工具。
• A. 内置RAG系统 有自己的选项卡：
  • 将文件直接拖放到UI中，
  • 浏览您的RAG文件夹(uploads, saved_chats, images, indexes、配置文件），
  • 从目录创建命名索引，
  • 使用关键字+模糊匹配+过滤器进行搜索，
  • 并将该上下文连接到您正在使用的任何模型中。

开箱即用，你会得到一个 坚固、免费的MCP工具栈 （无需付费API）：

• 文件系统、shell、Python REPL（有自己的venv）
• 本地RAG（分块搜索、过滤器等）， save_chat, save_image)
• 剧作家（浏览器自动化、截图、交互式浏览）
• SQLite（读/写、模式、见解）
• 网络搜索（快速DuckDuckGo+深度多引擎克隆）
• 研究（维基百科、arXiv、维基媒体图片）
• 刮刀（HTML→ text)
• 通过投票生成图像（基于URL）
• CoinGecko市场数据（经过策划，基于上交所）
• 时钟/时间实用程序

目标： 使MCP服务器集成变得容易，并为您提供一个可重用的工具+RAG层，您可以将其插入任何LLM工作流中——云、本地或混合。

截图

快速安装和首次运行

想法：
克隆→ 运行一个脚本→ 打开UI→ 开始添加MCP服务器。

需求

• Node.js 18+
• npm
• Linux/macOS shell（bash/zsh）或Windows上的WSL

你做到了 不 需要任何付费的API密钥才能开始。
所有捆绑的MCP服务器都在本地运行，并使用免费/公共数据源。

1.克隆仓库

git clone https://github.com/<your-username>/FullStack_MCP_Hub.git
cd FullStack_MCP_Hub

设置根路径（由辅助脚本使用）：

export MCP_ROOT="$(pwd)"

（可选）将此添加到您的shell rc中(~/.bashrc 或 ~/.zshrc)所以它总是被设置：

echo "export MCP_ROOT=/full/path/to/FullStack_MCP_Hub" >> ~/.bashrc

重新加载shell或在添加后打开新终端。

2.一次性设置（推荐）

这将：

• 安装网关和UI依赖关系，
• 构建React UI，
• 为Playwright MCP服务器安装Playwright浏览器。

从repo根目录：

cd "$MCP_ROOT"
chmod +x setup.sh start.sh
./setup.sh

运行一次。如果它没有错误地完成，您就可以启动集线器了。

3.启动集线器+UI

从repo根目录：

cd "$MCP_ROOT"
./start.sh

这将：

• 启动MCP网关 http://localhost:3333

• 暴露：

  • GET /tools –列出工具
  • GET /sse –通用MCP SSE端点
  • POST /gemini/v1/execute –Gemini风格适配器

• 服务于 web用户界面 在 http://localhost:3333

打开浏览器：

http://localhost:3333

中频端口 3333 已在使用中：

lsof -i :3333
kill <pid>
./start.sh

4.手动设置（如果您不想使用setup.sh）

如果您更喜欢查看各个步骤：

1. 安装网关deps：

   复制

   cd "$MCP_ROOT/gateway"
   npm install
   

2. 安装UI deps并构建：

   复制

   cd "$MCP_ROOT/gateway/ui"
   npm install
   npm run build
   

3. 启动网关：

   复制

   cd "$MCP_ROOT/gateway"
   npm start
   

4. 打开用户界面：

   复制

   http://localhost:3333
   

5.第一台MCP服务器（剧作家示例）

打开UI后：

1. 转到 服务器 部分（左侧边栏）。

2. 点击 “打开表单”.

3. 填写表格：

   • 运输： stdio
   • 命令： npx
   • Args： -y @automatalabs/mcp-server-playwright
   • CWD： servers （相对于回购根）

4. 点击 测试连接.

5. 成功后，单击 添加服务器.

现在，您应该看到一组 playwright__* 列表中的工具。

要快速进行健全性检查，请选择 playwright__browser_navigate 并运行：

{ "url": "https://example.com" }

然后运行 playwright__browser_screenshot:

{ "name": "example_full", "fullPage": true }

您应该在配置的Playwright输出路径中看到一个屏幕截图文件。

此时，集线器正在工作并准备插入：

• OpenAI/ChatGPT Codex CLI
• 双子座命令行界面
• ChatGPT开发模式
• 克劳德 或任何其他MCP感知客户端。

架构和仓库布局

FullStack MCP Hub有三个主要层： 中心, 网关，以及 用户界面，再加上一组捆绑的MCP服务器和RAG数据目录。

回购布局

• hub/ MCP集线器核心：

  • 连接到配置的MCP服务器，
  • 列出所有服务器上的工具，
  • 执行呼叫，
  • 合并工具元数据，
  • 应用描述覆盖和阻止列表。

• gateway/ HTTP/SSE前门：

  • 暴露：

    • GET /tools –列举工具
    • GET /sse –通用MCP端点
    • POST /gemini/v1/execute –Gemini风格适配器

  • 从以下位置提供内置UI gateway/ui/dist.

• gateway/ui/ React+Vite用户界面：

  • 工具列表和详细信息窗格
  • 服务器管理（添加/测试/删除）
  • 被阻止的工具视图
  • 工具有效载荷预设
  • RAG选项卡（拖放上传、浏览文件夹、搜索索引）

• tool-registry/master.json

  • MCP服务器注册表（stdio+SSE）及其配置。

• tool-registry/tool-overrides.json

  • 按工具描述覆盖（在UI中可编辑）。

• tool-registry/tool-blocklist.json

  • 持久工具块列表（从UI的“阻止”选项卡管理）。

• servers/

  • 需要以下条件的捆绑MCP服务器 不 付费API：

    • local_rag
    • sqlite
    • python_repl
    • research
    • scrape
    • pollinations
    • coingecko
    • websearch
    • web-search-mcp （高级）
    • playwright
    • shell
    • filesystem

• data/rag/

  • 本地RAG存储：

    • uploads/ –通过UI导入的任意文件。
    • saved_chats/ –原始+摘要聊天记录。
    • images/ –保存的图像来自 local_rag__save_image.
    • profile_* –个人资料文件夹（例如。 profile_jeff).
    • indexes/ –每个索引文件夹（如果使用）。
    • indexes.pkl –一个持久的全局索引元数据文件。

RAG系统（“1.5代”）

内置RAG系统的设计目的是：

• 轻量级 （无需嵌入），
• 分块的 （约500个单词块），
• 模糊可搜索,
• 和 可过滤的 （路径、标签、时间）。

它是如何工作的（高级）

1. 您将文件放入 data/rag/ （通常通过UI中的RAG选项卡）。

2. 你点 local_rag__create_index 在目录中，为索引命名。

3. 服务器：

   • 浏览该目录，
   • 提取文本，
   • 将每个文件分割成约500个重叠的单词块，
   • 存储块+元数据，
   • 并将该结构持久化 indexes.pkl.

4. 当你使用 local_rag__search_index:

   • 它查找所选索引，
   • 在块上运行关键字+模糊搜索，
   • 应用可选过滤器（如 path_contains, tag或mtime），
   • 并返回具有足够上下文的匹配块以馈送到模型中。

“1.5代”升级

“1.5代”RAG升级改进了几个关键方面：

1. 路径处理

   • local_rag__create_index 和 local_rag__search_index 现在处理 正确的相对路径，因此您可以将索引指向以下目录 data/rag/ 无需硬编码绝对路径。

2. 分块索引

   • local_rag__create_index 将内容拆分为 约500个重叠的单词块，而不是为整个文件建立索引。
   • 这提高了相关性，并使传递回模型的文本量易于管理。

3. 模糊搜索

   • local_rag__search_index 支持 模糊匹配，所以轻微的拼写错误或措辞变化不会影响召回。
   • 它在预分块文本上使用滑动窗口+相似性评分方法。

4. 过滤器

   • path_contains 已确认工作正常。

   • 其他过滤器(tag，mtime过滤器）已实现，并按预期运行：

     • tag 来源于以下行 #tags: project, profile 在你的降价中。
     • 时间过滤器使用文件修改时间来缩小搜索块的范围。

总体而言，这为您提供了一个介于以下两者之间的RAG系统：

• 纯关键字搜索 （太笨了，没有大块，没有模糊），以及
• 全矢量/嵌入RAG （更重，需要额外的型号+基础设施），

同时保持个人/本地知识库的简单和快速。

您（或贡献者）稍后可以在顶部添加可选的向量层，而不会破坏现有的API。

RAG文件夹和工作流程

文件夹布局

在...之下 data/rag/ 您通常会看到：

• uploads/

  • 通过RAG选项卡拖放的文件。

• saved_chats/

  • 由创建的文件 local_rag__save_chat，通常：

    • 完整的原始转录文件，
    • 摘要文件，
    • 用时间戳+模型名称编码的文件名。

• images/

  • 由创建的文件 local_rag__save_image base64有效载荷。

• profile_template/

  • 模板配置文件： profile_public.md.

• profile_* （例如。 profile_jeff/)

  • 您的实际个人资料数据：

    • profile_public.md （姓名、首选项、项目等）。

• indexes/

  • 如果每个索引存储额外的元数据，则每个索引结构都是可选的。

• indexes.pkl

  • 跟踪所有索引和缓存文本的单个持久文件。

典型RAG流量

1. 创建个人资料

   • 复制模板：

     复制

     mkdir -p data/rag/profile_jeff
     cp data/rag/profile_template/profile_public.md data/rag/profile_jeff/
     

   • 编辑 profile_public.md 您的个人信息和偏好。

   • 在顶部附近添加标记线（可选）：

     复制

     #tags: profile, persona
     

   • 为它创建一个索引：

     复制

     {
       "index_name": "profile_jeff",
       "directory": "data/rag/profile_jeff"
     }
     

     通过 local_rag__create_index.

2. 在新聊天中使用您的个人资料

   • 在连接到此集线器的任何客户端中，要求它调用 local_rag__search_index 与：

     复制

     {
       "index_name": "profile_jeff",
       "query": "profile persona",
       "max_results": 5
     }
     

   • 然后告诉模型在剩下的会话中记住这个配置文件。

3. 保存聊天记录

   • 当谈话很重要时，打电话 local_rag__save_chat 与：

     • 完整成绩单，
     • 可选摘要，
     • 型号/客户名称。

   • 文件将被放入 data/rag/saved_chats/ 带有时间戳的名字。

4. 索引和搜索项目文件夹

   • 将项目文件夹放在 data/rag/uploads/my_project/.

   • 创建索引：

     复制

     {
       "index_name": "my_project",
       "directory": "data/rag/uploads/my_project"
     }
     

   • 稍后，通过搜索 local_rag__search_index 以便快速回忆。

工具参考（56个捆绑工具）

一旦服务器连接，所有工具都会通过MCP集线器暴露出来。

文件系统（14个工具）

• filesystem__create_directory
• filesystem__directory_tree
• filesystem__edit_file
• filesystem__get_file_info
• filesystem__list_allowed_directories
• filesystem__list_directory
• filesystem__list_directory_with_sizes
• filesystem__move_file
• filesystem__read_file
• filesystem__read_media_file
• filesystem__read_multiple_files
• filesystem__read_text_file
• filesystem__search_files
• filesystem__write_file

使用这些用于检查、读取、写入和组织允许根下的文件和目录（在文件系统MCP服务器上配置）。

本地RAG（6个工具）

• local_rag__create_index 从文本文件目录（分块）构建一个命名索引。

• local_rag__search_index 使用关键字+模糊匹配和可选过滤器搜索命名索引。

• local_rag__list_files 列出RAG目录中的文件。

• local_rag__list_indexes 列出所有可用索引。

• local_rag__read_file 读取由local_rag管理的文件。

• local_rag__save_chat 将原始+摘要聊天保存到 data/rag/saved_chats/.

• local_rag__save_image 将base64图像保存到 data/rag/images/.

外壳（1个工具）

• shell__run_command 在主机上执行shell命令。 功能强大且具有潜在危险性——适用于可信的本地设置。

剧作家（10种工具）

• playwright__browser_navigate
• playwright__browser_screenshot
• playwright__browser_click
• playwright__browser_click_text
• playwright__browser_fill
• playwright__browser_select
• playwright__browser_select_text
• playwright__browser_hover
• playwright__browser_hover_text
• playwright__browser_evaluate

使用这些实现浏览器的完全自动化：

• 打开页面，
• 填写表格，
• 点击按钮/链接，
• 运行JS，
• 并截取屏幕截图。

SQLite（6个工具）

• sqlite__read_query
• sqlite__write_query
• sqlite__create_table
• sqlite__list_tables
• sqlite__describe_table
• sqlite__append_insight

非常适合直接从LLM运行中存储结构化日志、指标和注释。

网络搜索（基础+高级，3个工具）

• websearch__web_search 使用片段快速搜索DuckDuckGo。

• websearch_adv__full-web-search 多引擎深度搜索，全页面提取。

• websearch_adv__get-single-web-page-content 强大的单页内容提取器。

研究（3种工具）

• research__wikipedia_search
• research__arxiv_search
• research__images_search_commons

这些为技术/学术问题和图像查找提供了高信号参考材料。

Python REPL（3个工具）

• python_repl__exec
• python_repl__reset
• python_repl__pip_install

具有自己venv的持久Python进程：

• 运行分析代码，
• 解析/转换数据，
• 安装以下软件包 pandas, numpy等，无需接触系统Python。

刮刀（1个工具）

• scrape__scrape_page 获取一个URL并返回干净的文本和标题。 当你想要快速HTML时很好→不运行完整浏览器的文本。

民意调查（2个工具）

• pollinations__generateImageUrl 从文本提示生成图像URL（无付费API密钥）。

• pollinations__listImageModels 了解哪些型号可用。

CoinGecko（4工具）

CoinGecko MCP服务器的管理子集（基于SSE）：

• coingecko__get_simple_price
• coingecko__get_coins_markets
• coingecko__get_range_coins_market_chart
• coingecko__get_search

使用这些工具可以快速查找价格、市场列表和基本图表。

时钟（2个工具）

• clock__now 当前时间（UTC+本地）和ISO格式。

• clock__add_delta 从现在开始加上或减去时间增量（天/小时/分钟）。

从其他LLM客户端使用此集线器

CLI 游戏

• 将您的Gemini MCP配置指向：

  复制

  http://localhost:3333/sse
  

• 或者，使用 POST /gemini/v1/execute 端点作为脚本中的Gemini风格适配器。

连接后，Gemini CLI可以：

• 列出工具，
• 调用50多种工具中的任何一种，
• 将RAG索引用作上下文。

OpenAI/ChatGPT Codex命令行界面

• 配置指向以下位置的自定义MCP端点：

  复制

  http://localhost:3333/sse
  

• 使用Codex CLI的MCP集成（您选择的服务器名称）访问与UI相同的工具和RAG。

ChatGPT（开发模式）

• 添加a 定制MCP连接器 在开发模式下。

• 如果 http://localhost:3333 被环境阻挡：

  • 使用 ngrok （或类似）暴露它：

    复制

    ngrok http 3333
    

  • 使用生成的 超文本传输安全协议 URL作为MCP端点。

然后，您可以在Dev Mode聊天中使用相同的工具/RAG堆栈。

Claude（桌面/MCP感知应用程序）

• 添加指向同一SSE端点的MCP服务器：

  复制

  http://localhost:3333/sse
  

• Claude将看到中心中定义的工具，并可以像UI一样调用它们。

安保/安全注意事项

这个堆栈是 强大的它揭示了：

• 完全文件系统访问（在允许的根内读/写/移动/删除），
• 系统外壳执行，
• 浏览器自动化，
• SQLite写入。

推荐基础知识：

• 运行集线器 本地主机 或者在VPN后面。
• 只连接您信任的LLM客户端。
• 小心那些鼓励任意shell命令的提示。
• 使用 已屏蔽 选项卡禁用不希望特定客户端使用的工具。
• 对于“安全”与“全功率”环境，考虑单独的集线器实例或单独的工具注册表。

故障排除

• 正在使用的端口(EADDRINUSE)

  • 看看有什么 :3333:

    复制

    lsof -i :3333
    

  • 杀死它：

    复制

    kill <pid>
    

  • 重新启动：

    复制

    ./start.sh
    

• 添加服务器时“测试连接”失败

  • 仔细检查：

    • Command 存在于您的PATH中(node, python3, npx等等）。
    • Args 对于该MCP服务器是正确的。
    • CWD 指向正确的文件夹。
    • 对于SSE：URL以结尾 /sse 服务器实际上正在运行。

  • 请重试并读取UI中返回的错误。

• 添加服务器后没有显示任何工具

  • 点击 刷新工具 在UI中。

  • 如果仍然为空：

    • 检查 tool-registry/master.json 对于拼写错误，
    • 重新启动网关(Ctrl+C 然后 ./start.sh).

• 一台服务器不断出现故障/垃圾邮件错误

  • 确保其依赖项已安装。
  • 在注册表中暂时禁用它，或通过 已屏蔽 选项卡。
  • 一旦事情解决，就重新添加它。

• 托管用户界面无法访问本地主机

  • 使用 ngrok （或类似）以暴露您的集线器：

    复制

    ngrok http 3333
    

  • 使用HTTPS URL作为该客户端中的MCP端点。

路线图/想法

该项目可以发展的一些方向：

• 可选的 基于矢量的RAG 层（嵌入+向量存储）。

• 每个索引元数据，而不是单个元数据 indexes.pkl.

• 内建 调度器 用于基于时间的作业的MCP服务器（按计划运行工具）。

• RAG+SQLite之上的更高级“注释”和“项目”API。

• 每个客户端的配置文件和预设（例如，不同LLM的不同默认值）。

• 更多捆绑服务器：

  • 电子邮件/日历/联系人集成，
  • 额外的搜索/抓取工具，
  • 专业开发工具。

联系与协作

由...创建 杰夫·布尔格

• 网站： https://jeffbulger.dev
• 电子邮件： admin@jeffbulger.dev
• github： https://github.com/jbulger82

如果您对以下内容感兴趣：

• MCP工具和服务器，
• LLM“全栈”工作流，
• RAG+搜索，
• 自动化/“LLM运维”，

问题、公关和想法都是受欢迎的。

许可证

许可证（MIT、Apache-2.0等）。