使用说明

MCP服务器用途验证器

一个全面的验证系统，用于验证MCP（模型上下文协议）服务器的实际实现是否与README文件中记录的目的相匹配。

📋 概述

本项目分析包含MCP服务器的GitHub存储库，以验证以下内容之间的一致性：

记录目的：README.md声称服务器做什么
实际实现：代码实际实现了什么

🎯 目的

MCP服务器通常在其文档中声明特定的功能，但实际实现可能有所不同。该工具通过以下方式提供自动验证：

分析存储库的README.md以提取所述目的
嵌入并索引实际源代码
使用LLM驱动的分析来验证一致性
提供详细的验证报告

🏗️ 建筑

┌─────────────┐
│  Web UI     │  Svelte-based chat interface
│  (Svelte)   │
└──────┬──────┘
       │
       ▼
┌─────────────┐
│  Backend    │  FastAPI REST API
│  (FastAPI)  │
└──────┬──────┘
       │
       ├──────────────┐
       ▼              ▼
┌─────────────┐  ┌──────────────┐
│  LangChain  │  │   Qdrant     │
│  Pipeline   │  │  Vector DB   │
└──────┬──────┘  └──────────────┘
       │
       ▼
┌─────────────┐
│  LLM Model  │  Claude (configurable)
│  (Claude)   │
└─────────────┘

🚀 特性

GitHub存储库分析：输入任何GitHub存储库URL进行验证
智能代码解析：LangChain驱动的代码分段和嵌入
矢量存储器：使用Qdrant矢量数据库进行高效代码检索
LLM验证：基于克劳德的目的与实施语义分析
聊天界面：用户友好的对话式用户界面，用于查询和结果
模块化LLM支持：易于在不同LLM提供商之间交换

🛠️ 技术栈

前端

斯维尔特：响应式UI框架
TypeScript：类型安全开发
维特：快速构建工具

后端

快速API：高性能Python web框架
LangChain：LLM编排和代码处理
派丹蒂克：数据验证

数据库

Qdrant：用于嵌入的高性能矢量数据库

AI/ML

克劳德：初级LLM模型（Anthropic）
句子转换器：代码嵌入生成
LangChain：文本拆分器和文档加载器

📦 项目结构

mcp-server-purpose-verifier/
├── frontend/                 # Svelte application
│   ├── src/
│   │   ├── components/      # UI components
│   │   ├── lib/            # Utilities and API clients
│   │   ├── routes/         # SvelteKit routes
│   │   └── App.svelte      # Main app component
│   ├── package.json
│   └── vite.config.ts
│
├── backend/                 # FastAPI application
│   ├── app/
│   │   ├── api/            # API endpoints
│   │   ├── core/           # Configuration and settings
│   │   ├── services/       # Business logic
│   │   │   ├── github.py   # GitHub integration
│   │   │   ├── embedder.py # Code embedding service
│   │   │   ├── verifier.py # Verification logic
│   │   │   └── llm.py      # LLM provider abstraction
│   │   └── models/         # Pydantic models
│   ├── requirements.txt
│   └── main.py
│
├── docker-compose.yml       # Qdrant and services
├── .env.example            # Environment variables template
└── README.md               # This file

🔄 工作流程

输入：用户通过web UI提交GitHub存储库URL
克隆和解析：后端克隆存储库并提取README目的
代码分段：LangChain将代码拆分为语义块
嵌入：代码块使用句子转换器嵌入
存储：在Qdrant中嵌入元数据
查询：用户查询与相关代码块相结合
分析：LLM分析目的和实施之间的一致性
报告：详细的验证结果返回UI

🚦 入门指南

先决条件

Node.js 18+（用于前端）
Python 3.11+（用于后端）
Docker和Docker Compose（适用于Qdrant）
Anthropic API密钥（用于Claude）

安装

克隆存储库

git clone https://github.com/yourusername/mcp-server-purpose-verifier.git
cd mcp-server-purpose-verifier

设置环境变量

cp .env.example .env
# Edit .env with your API keys

启动Qdrant
```
docker-compose up -d
```

设置后端

cd backend
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install -r requirements.txt
uvicorn main:app --reload

设置前端
```
cd frontend
npm install
npm run dev
```
访问应用程序
- 前端：http://localhost:5173
- 后端API：http://localhost:8000
- API文件：http://localhost:8000/docs

📝 用法示例

打开web界面
输入GitHub存储库URL（例如。， https://github.com/anthropics/context7)
问：“此MCP服务器实现是否与其记录的目的相匹配？”
接收详细分析，包括：
- README中声明的目的
- 主要实施结果
- 一致性得分
- 具体差异（如有）

🔧 配置

LLM提供程序（后端/app/core/config.py）

# Default: Claude
LLM_PROVIDER = "anthropic"
ANTHROPIC_API_KEY = "your-key"

# Alternative: OpenAI
# LLM_PROVIDER = "openai"
# OPENAI_API_KEY = "your-key"

嵌入模型

EMBEDDING_MODEL = "sentence-transformers/all-MiniLM-L6-v2"

矢量数据库设置

QDRANT_HOST = "localhost"
QDRANT_PORT = 6333
COLLECTION_NAME = "mcp_code_chunks"

🧪 测试

# Backend tests
cd backend
pytest

# Frontend tests
cd frontend
npm run test

🤝 贡献

欢迎投稿！请在提交PR之前阅读我们的投稿指南。

分叉存储库
创建功能分支(git checkout -b feature/amazing-feature)
提交您的更改(git commit -m 'Add amazing feature')
推到分支(git push origin feature/amazing-feature)
打开拉取请求

📄 许可证

此项目根据MIT许可证获得许可-有关详细信息，请参阅许可证文件。

🙏 致谢

Claude API的无烟煤
LangChain用于LLM编排
Qdrant用于矢量存储
Svelte团队负责反应式框架

📮 联系

GitHub问题：报告错误或请求功能
电子邮件：your.email@example.com

内置❤️ 对于MCP社区