AI导哈

智能研究架构工具

Ask Cloudflare MCP + Deep Research 是一个基于Cloudflare Worker的智能研究架构工具，结合Model Context Protocol (MCP)、Cloudflare Workflows、Vectorize和Queues，提供多步骤的深度分析功能，适用于代码库、PRD和错误日志的分析。

  • by jmbish04
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 jmbish04/ask-cloudflare-mcp

使用说明

询问Cloudflare MCP+深度研究

作为智能研究架构师的高级Cloudflare Worker。它结合了 模型上下文协议（MCP） 和 Cloudflare工作流, 矢量化，以及 队列 对存储库、PRD和错误日志进行深入的多步骤分析。

🚀 关键能力

  • 🧠 深度研究代理：使用Cloudflare工作流来编排多步骤推理（头脑风暴→ 搜索→ 合成）。
  • 📚 语义记忆：使用存储和检索知识 Cloudflare矢量化 （抹布）。
  • ⚡ 异步架构：用途 Cloudflare队列 缓冲请求，确保高可用性和零超时。
  • 🐳 集装箱化分析：生成临时容器以安全地克隆和检查私有GitHub存储库。
  • 🔌 双接口:
    • REST API：适用于web客户端（React前端）和CI/CD管道。
    • MCP服务器：与Claude Desktop、Cursor和其他AI IDE本地连接。

🏗️ 建筑

graph TD
    Client[Client / Frontend] -->|POST /api/research| API[Worker API]
    API -->|Dispatch Job| Queue[Research Queue]
    
    subgraph "Async Processing"
        Queue -->|Trigger| Workflow[Research Workflow]
        
        Workflow -->|1. Brainstorm| AI_Reasoning[Workers AI (Reasoning)]
        Workflow -->|2. Gather Intel| Tools
        
        subgraph Tools
            MCP_Client[MCP Client] -->|Query| CF_Docs[Cloudflare Docs]
            Vector_Service[Vector Service] -->|Search| Vectorize[Vector DB]
            Container[Repo Analyzer] -->|Clone| GitHub[GitHub API]
        end
        
        Workflow -->|3. Synthesize| AI_Writer[Workers AI (Writing)]
        Workflow -->|4. Persist| DB[(D1 Database)]
    end
    
    Client -->|Poll Status| API
    API -->|Read| DB

🛠️ 按模式列出的功能

模式 描述 技术栈
可行性审计员 分析GitHub仓库，以确定它是否可以迁移到Workers。 容器+AST解析+AI
PRD浓缩器 阅读产品需求文档并注入技术实施细节。 矢量化（RAG）+工作流程
错误修复程序 分析错误日志和堆栈跟踪，以提供特定的代码修复。 MCP（文档搜索）+AI
图书管理员 将URL和代码片段摄取到矢量数据库中，以备将来调用。 矢量化+嵌入

📦 安装和设置

先决条件

  • Node.js 18+
  • Cloudflare帐户（矢量化/工作流需要工人付费计划）
  • GitHub代币（回购范围）

1.克隆和安装

git clone <repository-url>
cd ask-cloudflare-mcp
npm install

2.基础设施设置

运行以下命令以创建必要的Cloudflare资源：

# Database
wrangler d1 create ask-cloudflare-mcp

# Vector Index
wrangler vectorize create ask-cloudflare-index --preset @cf/baai/bge-large-en-v1.5

# Queues
wrangler queues create research-tasks

# Secrets
wrangler secret put GITHUB_TOKEN

3.地方发展

启动整个堆栈（前端+后端+数据库）：

npm run dev

后端在端口8787上运行。前端在端口5173上运行。

🔌 API终点

异步研究工作

所有深入的研究任务都是异步的。

  1. 提交作业

    • POST /api/research
    • 主体： { "query": "...", "mode": "feasibility" | "enrichment" | "error_fix", "context": "..." }
    • 退货： { "sessionId": "uuid", "status": "queued" }

  2. 投票状态

    • GET /api/sessions/:sessionId
    • 退货： { "status": "processing", "steps_completed": ["brainstorm", "search"], "result": null }

标准工具

  • POST /api/questions/simple：快速问答（同步）
  • POST /api/ingest：将内容添加到矢量内存

🧩 项目结构

/
├── src/
│   ├── index.ts              # Entry point (API + Queue Consumer)
│   ├── ai/                   # Centralized AI Logic (Worker AI, Gemini)
│   ├── containers/           # Durable Objects (for Container checks)
│   ├── core/                 # Core Utilities (Session, Logging, Health)
│   ├── data/                 # Data Layer (Vectorize, D1)
│   ├── git/                  # Git & GitHub Operations
│   ├── mcp/                  # MCP Client & Tooling
│   ├── routes/               # Hono API Routes
│   └── workflows/            # Cloudflare Workflows ("Deep Research")
├── frontend/                 # React + Vite UI
└── containers/               # Python-based Repo Analyzer

🤝 贡献

请阅读 代理商.md 关于后端（Workers）和前端（React）分离的严格架构规则。

📄 许可证

麻省理工学院

相关 MCP