AI导哈

模型上下文协议框架

一个基于Python的框架，用于构建模块化、可扩展和上下文感知的AI应用程序，支持天气数据集成、AI模型编排、资源管理、提示工作流和检索增强生成（RAG）。

  • by krishnavamsiS
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 krishnavamsiS/Advanced-MCP-Implementation

使用说明

高级模型上下文协议（MCP）

一个基于Python的框架，用于构建高级客户端-服务器架构，该架构利用模型上下文协议（MCP）实现模块化、可扩展和上下文感知的AI应用程序。该存储库展示了安全的环境管理、天气数据集成、人工智能模型编排、资源/任务管理、基于提示的工作流以及使用LangChain、LlamaIndex和Google Gemini等现代工具的检索增强生成（RAG）。

📚 子项目

  • 01构建单服务器mcp架构/
    具有天气和AI模型API的单服务器MCP实现。

  • 02在单服务器mcp中添加提示/
    将基于提示的AI模型交互添加到单服务器MCP中。

  • 03在单一服务器mcp中添加资源/
    添加资源管理端点和高级上下文处理。

  • 04构建多服务器mcp架构/
    演示了具有独立天气和任务服务器的多服务器MCP架构。

  • 05向多服务器mcp添加提示/
    添加基于提示的工作流和多服务器提示编排。

  • 06向多服务器mcp添加资源/
    为Weather和Task服务器添加资源管理功能，启用资源驱动的工作流。

  • 07使用mcp实现rag服务器/
    使用MCP、LangChain、LangGraph和Google Gemini实现检索增强生成（RAG）服务器。

  • 08将mcp与llamaindex集成/
    将MCP与LlamaIndex集成，以实现高级代理工作流程和多块响应支持。

🚀 入门指南

每个子项目都包含自己的 README.md 带有设置和使用说明。
克隆此存储库，并按照相关子项目文件夹中的步骤进行操作。

工作流示例

  • 启动相关服务器（如天气、任务、RAG）。
  • 运行MCP客户端，使用自然语言、提示或资源驱动命令与服务器交互。
  • 使用 .env-example 为API键和模型参数配置环境变量。

🗂️ 存储库结构

advanced-model-context-protocol/
├── 01-building-single-server-mcp-architecture/
├── 02-adding-prompts-in-single-server-mcp/
├── 03-adding-resources-insingle-server-mcp/
├── 04-building-multi-server-mcp-architecture/
├── 05-adding-prompts-to-multi-server-mcp/
├── 06-adding-resources-to-multi-server-mcp/
├── 07-implement-rag-server-using-mcp/
├── 08-integrating-mcp-with-llamaindex/
├── README.md
└── .gitignore

🛡️ 最佳实践

  • 使用 .env-example 共享所需的环境变量名称。
  • 永远不要承诺你的 .env 文件或生成的文件（如 tasks.txt)版本控制。
  • 每个子项目都是独立的，可以独立运行。
  • 保持依赖关系更新，以与多块消息支持兼容。

📝 许可证

MIT许可证。看 许可证 了解详情。

相关 MCP