AI导哈

上下文管理引擎

GCE-MCP是一个基于模型上下文协议（MCP）的上下文管理引擎，为AI助手提供长期记忆和深层架构感知。

  • by lasic87
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 lasic87/gce-mcp

使用说明

🧠 GCE-MCP（Gemini上下文引擎）

EN AI Homelab助手缺少的内存层。 PL： Homelab 中的 AI 助理缺少内存层。

🚀 概述 / 概述

GCE-MCP 是一个基于 模型上下文协议（MCP）它为LLM提供了长期记忆和深刻的架构意识。

GCE-MCP 这是一个基于MCP协议的上下文管理引擎。它为人工智能助理提供持久的记忆和对环境架构的深刻了解。

🛠️ Technical Deep Dive / 技术细节

GCE-MCP 它不仅仅是一个简单的数据库。它使用先进的策略来有效地处理大规模家庭实验室数据。

GCE-MCP 它不仅仅是一个普通的数据库。它使用先进的策略来有效地管理家庭实验室数据。

🧠 智能抽象（Smart Abstraction）

  • EN 为了避免达到令牌限制，GCE在索引大文件之前生成“智能摘要”。这使LLM能够理解 意图 和 结构 仅使用10-20个令牌的500行配置文件。
  • PL： 为了避免令牌限制，GCE在索引大文件之前生成摘要。这使AI助理能够理解 意图 我 结构 无需读取数百行代码的配置文件。

🔍 混合式RRF搜索

  • EN 我们结合 语义向量搜索 （理解含义） BM25全文搜索 （匹配IP地址或端口等特定关键字）。结果合并使用 互易秩融合（RRF） 无与伦比的相关性。
  • PL： 我们连接 语义搜索 （理解的意义） 传统文本搜索 （IP、端口等）结果通过算法合并 快速反应部队这保证了最高的准确性。

🧬 原子事实整合（Atomic Fact Consolidation）

  • EN GCE可以分析长时间的对话并提取“原子事实”——关于你的系统的单一、明确的事实（例如。， “护卫舰使用LXC 150”).这可以清理上下文，防止聊天噪音造成的“上下文污染”。
  • PL： GCE分析整个会议，并提取“原子事实” - 关于系统的单一，明确的真理（例如，原子事实）。 “护卫舰在LXC 150上运行”).它可以清除无关紧要的信息和“噪音”对话的记忆。

✨ Key Features / 主要功能

  • 💾 持久内存：将事实、偏好和修复存储在 兰斯数据库.
  • 🔍 混合搜索：语义+关键字匹配 快速反应部队.
  • 🏗️ 建筑意识：索引您的代码库、Proxmox、Docker和HA配置。

💡 Usage Examples / 使用示例

🧠 “Remember this fix”（记住此修复）

用户： “GCE，请记住，对于MediaStack LXC，我们需要设置 shm_size: 2g FlareSolverr。" GCE： “记住：gce://user/memories/mediastack_shm_fix"

🔍 “我的网络是如何配置的？”

用户： “我的护卫舰实例的IP是什么，它的配置存储在哪里？” AI（通过GCE）： “护卫舰在 192.168.1.15，配置： /opt/frigate/config.yml （LXC 150）。"

🚀 快速入门/Szykki入门

git clone https://github.com/lasic87/gce-mcp.git
cd gce-mcp
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env # Add your GOOGLE_API_KEY
python server.py

🛠️ 配置（Gemini CLI）

{
  "mcpServers": {
    "gce": {
      "command": "python",
      "args": ["/path/to/gce-mcp/server.py"],
      "env": { "GOOGLE_API_KEY": "your-key-here" }
    }
  }
}

🤝 贡献/项目开发

EN 该项目正在积极开发中。如果你觉得它有用，请随时打开 问题 或提交 拉取请求让我们一起打造最好的家庭实验室记忆！

PL： 该项目正在积极开发。如果你觉得有用的话，请大胆打开。 问题 或发送 拉取请求让我们一起为家庭实验室创造最好的记忆吧！

📄 许可证

根据 MIT许可证. 内置于❤️ Homelab社区。

相关 MCP