AI导哈

AI模型聊天与基准测试工具

一个用于与AI模型聊天并对其进行基准测试的Python Web应用，支持多种AI提供商和MCP服务器。

  • by MattCarpenter-Workato
  • Python
  • 本地部署
  • 4 星标
  • 更新于
在 GitHub 查看 MattCarpenter-Workato/simple-enterprise-mcp-chat

使用说明

简单的MCP聊天

蟒蛇 Web 应用 用于与调用工具的AI模型聊天 Workato企业MCP 服务器（或任何MCP服务器），为 跨模型对这些服务器/配方进行基准测试和优化 为了令牌效率， 延迟和正确性。

内置于 溪流，它为您提供了一个图形聊天界面， 并排 基准工作区 （比较 模型 或 MCP服务器), 点击MCP服务器管理，保存系统提示，保护ish凭据 存储， 每种型号的成本估算，以及详细的每次通话指标。选择哪些服务器 以及使用哪个模型，在多个模型（或一个模型）上运行相同的提示 多台服务器），并查看每台服务器的确切成本 美元、令牌、延迟和 工具可靠性。将整个基准运行导出为可粘贴的外部提示 LLM进行分析。

该项目最初是一组命令行脚本，现在是一个单一的web应用程序。这 提供者工具调用逻辑存在 providers/ + mcp_core.py其他一切 （服务器、凭据、提示、对话、日志、基准测试）在SQLite中持久化。

支持的AI提供商 （从侧边栏中选择每个聊天）：

  • 开放人工智能 --云；型号列表 从API实时获取
  • 克劳德 （Anthropic）——云；型号列表 从API实时获取
  • 奥拉玛 --本地开源模型（llama3.2、mistral、qwen等）
  • LM 工作室 --通过其OpenAI兼容服务器的本地模型

使用Docker运行（推荐——无需编码）

这是运行应用程序的最简单方法。 码头工人 打包一切（Python， Streamlit和所有依赖项）合并到一个可运行的映像中，所以你唯一需要做的就是 安装是Docker本身。一切都在运转 在你自己的电脑上 以及您的数据 呆在那里。

1.安装Docker桌面 （一次） 从以下网址下载适用于Windows或Mac的 https://www.docker.com/products/docker-desktop/，安装它，然后打开一次 等到鲸鱼图标停止动画制作——这意味着Docker正在运行。

2.拿到 docker-compose.yml 文件 你只需要一个文件（从这个仓库下载，或者问谁分享了 它的应用程序）。把它放在文件夹里，例如。 Documents/mcp-chat/.

3.启动应用程序 打开终端 在该文件夹中:

  • 窗户： 按住Shift键并右键单击文件夹→ 在此处打开PowerShell窗口
  • 雨衣： 右键单击该文件夹→ 服务 → 文件夹中的新终端

然后运行：

docker compose up -d        # downloads the app the first time, then starts it

打开 http://localhost:8501 在浏览器中添加书签。

4.第一次设置，在浏览器中

  1. ⚙️ 设置 → 添加OpenAI和/或Claude API密钥→ 保存.
  2. 🔌 MCP服务器 → 添加服务器（名称+URL+身份验证类型）。
  3. 添加一个 OAuth 服务器开始自动登录--单击 🔐 登录链接 出现并登录（稍后用重新运行 🔄 重新连接MCP服务器 如果需要）。
  4. 💬 家 → 挑个模特开始聊天。

日常使用

docker compose down                          # stop the app (your data is kept)
docker compose up -d                         # start it again later
docker compose pull && docker compose up -d  # update to the newest version

我的数据在哪里？ 保存对话、API密钥、服务器、登录和日志 在一个 data/ 您旁边的文件夹 docker-compose.yml （数据库、OAuth令牌、， 以及日志），因此它们可以在重启和更新后幸存下来，并且易于备份或移动。 （删除该文件夹会擦除所有内容。）

如果出了什么问题

  • “无法连接到Docker守护进程”/什么都没有发生 --Docker桌面不是 跑步。启动它，等待鲸鱼图标稳定下来，然后重试。
  • 端口已在使用中 --其他东西正在使用 8501 或 8080.编辑 ports: 线条在 docker-compose.yml （保持 8080 mapped——OAuth登录需要它）。
  • 本地AI服务器（Ollama/LM Studio） --在Docker内部， localhost 意味着 容器，而不是你的电脑。在 设置，将他们的URL指向 host.docker.internal例如。 http://host.docker.internal:11434.

同样的快速启动也出现在图像上 Docker Hub页面.

从源代码运行（面向开发人员）

uv sync                       # install dependencies (incl. Streamlit)
uv run streamlit run app.py   # open http://localhost:8501

然后：

  1. 打开 ⚙️ 设置 （左导航），并添加至少一个API密钥（例如OpenAI或Claude）。
  2. 打开 🔌 MCP服务器，添加/启用服务器，并在使用OAuth时进行身份验证。
  3. 回去 💬 家，选择提供商/型号以及要使用的服务器，然后开始聊天。
  4. 打开 ⚗️ 基准 在多个模型或MCP服务器上运行一个提示并进行比较。

如果您以前使用过命令行版本 .env 和 mcp_servers.json （如有） 自动导入 首先进入数据库 启动——您的设置无需手动步骤即可完成。此进口是一次性的；之后 该应用程序完全由数据库驱动。（OAuth令牌未导入；单击 🔐 重新验证 在MCP服务器页面上。)

它的作用

  1. 连接 同时连接到一个或多个MCP服务器。
  2. 发现 每个服务器公开的工具（CRM数据、电子表格、工单等）。
  3. 聊天 人工智能会自动调用正确的工具来回答你。
  4. 措施 每次LLM和工具调用，以便您可以调整哪些服务器/配方和模型 以最少的令牌和最少的延迟给出最佳答案。

例如，在连接Salesforce MCP服务器的情况下：

  • “向我展示我超过5万美元的开放机会”
  • “上周完成了哪些交易？”

使用多个服务器（例如Salesforce+谷歌表格）：

  • “提取我的管道数据并将其添加到我的预测电子表格中”

AI从正确的服务器中选择正确的工具，并用自然语言进行回复。工具 名称会自动以服务器名称作为前缀（例如。 salesforce__Query_Records) 为了避免冲突，这也让应用程序可以过滤提供给模型的工具 您选择的服务器。

关键概念

什么是MCP？

MCP（模型上下文协议） 是AI模型使用外部工具和 数据源——一个通用适配器，允许任何人工智能与任何服务通信。

什么是Workato企业MCP？

Workato提供连接到企业服务（CRM、数据库等）的托管MCP服务器， 生产力工具），具有OAuth 2.0安全性、审计日志记录和速率限制。此应用程序 与这些服务器以及任何使用JSON-RPC的MCP服务器兼容。

什么是工具（函数）调用？

当你问一个问题时，模型会决定是否需要外部数据。如果是这样，它命名为 工具调用；应用程序在MCP服务器上调用它，将结果返回给模型 该模型生成一个人类可读的答案——循环多步查询。

使用应用程序

该应用程序有一个聊天页面，左导航中还有五个页面，顺序如下： 💬 家, ⚗️ 基准, 🔌 MCP服务器, 📝 系统提示, ⚙️ 设置, 📊 日志.

💬 主页（聊天）

  • 提供者 和 模型 侧边栏中的选择器。对于OpenAI和Claude，模型列表为 从提供程序API实时获取 （缓存）。只有具有 价格 是 提供（在设置页面上设置/调整价格）；当地Ollama/LM Studio模特始终 表演。使用以下命令重新获取实时列表 🔄 刷新模型 在 ⚙️ 设置 页面。
  • MCP服务器 --一个多选项，用于选择向模型提供哪些服务器的工具。 使用1、2或全部；默认设置为所有已启用的服务器。
  • 系统提示 --可以选择应用已保存的提示（或“（无）”）。
  • 每一次对话都是 锁定到它开始时使用的提供程序 （在聊天过程中切换 混合不兼容的消息格式）。要使用其他型号，请单击 ➕ 新聊天.
  • 对话会自动保存；重新打开或从侧边栏中删除它们。
  • 状态标题显示活动提供商/型号和所选服务器/工具计数，以及 一 💲 美国东部时间。迄今为止的成本 为了谈话；每台服务器的发现错误以 警告（在MCP服务器页面上修复它们）。
  • 当模型工作时，a 实时状态面板 显示每个工具调用及其预览 结果。
  • 扩展 📊 日志和使用情况（此聊天） 查看令牌总数、LLM时间、工具调用计数， 预估成本，以及每个呼叫的表（提供者、呼叫类型、提示/完成 令牌、持续时间、结果大小， 成功/错误, 重试尝试、服务器、工具 参数，以及预览）。

⚗️ 基准

跑 一个提示 在几个变体中，然后并排比较它们——核心调优 循环。两种模式（a 比较 切换）：

  • 模型 --在多个应用程序中运行提示 （供应商×型号） 针对选定对象的变体 MCP服务器集。找到最便宜/最快的型号，它仍然回答得很好。
  • MCP服务器 --修复一个模型并运行 每个MCP服务器一个变体 （可选加上 “所有服务器”基线）。查看模型在隔离每个服务器时的行为（工具 可靠性、延迟、应答质量）。

步骤：输入 提示，选一个 系统提示，选择变体（型号或服务器 根据模式），可选择添加 标签 和 笔记，然后单击 ▶ 运行基准测试.

每个变体都在自己的对话中运行，并标记为 benchmark_run_id；进度条 追踪跑步。这 比较 每种变体显示： 总转弯时间，总计/提示/ 完成 代币LLM呼叫和LLM时间， 工具调用, 刀具错误, 重试, 估计费用（$），以及 最终答案 （可扩展，用于质量检查），加 代币、总时间和成本的条形图。下面：

  • 🔍 本次跑步的每次通话详细信息 --所有变体中的每个LLM和工具调用（相同 列作为“日志”页面，并带有前导 变体 列）。
  • 🧠 用于LLM分析的导出 --单击一下 📋 复制到剪贴板 复制按钮 单个 JSON 有效载荷（分析指令+运行元数据+每个变量的度量和成本
    • 每个呼叫行+最终答案），以及预览/下载。将其粘贴到任何LLM中以获得 对跑步的全面分析。（复制发生在浏览器中，因此它也适用于Docker。）

缺少API密钥的变体报告为失败，而不是导致运行崩溃。选择一个 过去的跑步 运行选择器 查看（和导出）其数据。更改配方或切换 模型/服务器，重新运行相同的提示符，看看哪些更便宜/更快，而不会损害 回答。

🔌 MCP服务器

添加、编辑、启用/禁用和删除MCP服务器。为每台服务器选择一种身份验证类型：

  • 无 --无身份验证标头

  • 令牌 --静电 Authorization: Bearer <token>

  • OAuth --基于浏览器的OAuth 2.0（见下文）

  • 添加OAuth服务器会自动启动身份验证 一 🔐 登录链接 出现（浏览器在本机运行时打开）；完成登录后，您已连接。

  • 🔄 重新连接MCP服务器 （页面顶部）-对任何启用的OAuth服务器进行身份验证 缺少有效令牌并重新发现工具。

  • 对于每个OAuth服务器，页面显示了存储的令牌的到期时间（或“还没有令牌”）和 🔐 重新验证 按钮（重新）运行流程；显示登录链接，使其正常工作 浏览器是否打开（例如在Docker中）。可以提供可选的OAuth覆盖 服务器配置字段中的JSON格式。

📝 系统提示

使用Markdown编辑器创建、编辑和删除可重用的系统提示 实时预览. 点击 💾 保存 要添加新提示，字段会自动清除，以便您为 下一个。所选提示将作为聊天的系统消息发送。

⚙️ 设置

  • API密钥 --添加 OPENAI_API_KEY / CLAUDE_API_KEY （当前值显示为掩码；留下 字段空白以保持不变）。
  • 提供程序默认值 — OPENAI_MODEL, CLAUDE_MODEL, OLLAMA_BASE_URL, OLLAMA_MODEL, LMSTUDIO_BASE_URL, LMSTUDIO_MODEL，以及 APP_LOG_LEVEL.
  • 行为 --切换 注入当前日期/时间 进入系统提示（默认打开） 调试：记录完整的工具调用和响应 到应用程序日志文件（默认关闭）。
  • 模型 — 🔄 刷新模型 重新获取实时的Claude/OpenAI模型列表。
  • 模型定价 --每种型号的可编辑成本费率表（美元/ 1M代币，输入 并输出， 仅限Claude和OpenAI).以已知的速率播种；添加/编辑/删除行。模型 按精确ID匹配，然后按最长ID匹配 家族前缀 （所以 claude-sonnet-4 还有价格 过时的快照，如 claude-sonnet-4-5-20250929).发现的没有价格的模型是 此处自动添加为空白行以供填写，并且仅 定价 模特出现在聊天中/ 基准下跌。
  • 维护 — 清除储存的秘密, 清除所有身份验证令牌 （删除OAuth 令牌/注册和重新发现工具），或 清除所有基准运行 （全部由 确认）。

📊 日志

浏览和基准测试--请参阅 记录和基准测试。包括a 全局CSV可导出日志表，每个对话的详细信息、模型和MCP服务器/工具比较 图表、应用程序日志查看器和用于清除一个聊天记录、所有日志或所有日志的防护按钮 对话。

提供商

在侧边栏中选择提供商/型号；默认值在中配置 设置.

OpenAI/Claude（云）

添加 OPENAI_API_KEY 和 CLAUDE_API_KEY 在设置中。模型下拉列表为 取回 从提供商API直播 (/v1/models)并准确反映您的密钥可以访问的内容——否 要维护的硬编码列表。OpenAI的结果被过滤为支持聊天的模型，并注明日期 快照（例如。 gpt-4o-2024-08-06)被隐藏起来，以支持他们滚动的别名(gpt-4o); 该列表已缓存，并可通过以下方式刷新 🔄 刷新模型 在 ⚙️ 设置 页面。仅 模型具有 价格 （设置→ 模型定价）在下拉菜单中提供；未定价的 一个停在价格表中供您填写。如果无法访问API或没有键 设置后，下拉列表会回落到一个小的内置列表。

Ollama（当地）

  1. 从以下位置安装Ollama 奥拉玛 并确保其正常运行 (curl http://localhost:11434/api/tags).
  2. 拉动支持的模型 函数调用: ollama pull llama3.2 （其他： mistral, qwen2.5, llama3.1).
  3. 在设置中 OLLAMA_BASE_URL （默认值 http://localhost:11434)以及 OLLAMA_MODEL.

并非所有Ollama型号都支持工具调用。使用一个（参见 ollama.ai/图书馆).web应用程序不会自动拉取模型-- 先拉他们。

LM工作室（本地）

  1. 安装 LM 工作室，加载可调用函数的模型，然后启动 其本地服务器。
  2. 在设置中 LMSTUDIO_BASE_URL （默认值 http://localhost:1234/v1).

Ollama和LM Studio使用其配置/静态模型名称，而不是实时API发现。

提供商 成本 隐私 注意事项
OpenAI 每代币 云 快速、可靠；实时模型列表
Claude Per token Cloud 推理能力强，上下文长；实时列表
Ollama 免费 本地 开源模型，需要功能强大的GPU
LM Studio 免费 本地 OpenAI兼容的本地服务器

MCP服务器身份验证

在上配置服务器 🔌 MCP服务器 页面。

基于代用券 --将承载令牌粘贴到服务器的表单中；它被发送为 Authorization: Bearer <token>.

OAuth 2.0 --将身份验证类型设置为 oauth。身份验证开始 自动当你 添加服务器 （并且可以随时重新运行 🔐 重新验证 或 🔄 重新连接MCP 服务器).应用程序：

  1. 自动通过以下方式发现OAuth端点 .well-known/oauth-authorization-server.
  2. 通过动态客户端注册自动注册OAuth客户端（RFC 7591）。
  3. 显示a 登录链接 （并在本机运行时打开浏览器），使用本地 回调（默认端口8080）。
  4. 使用以下代码交换令牌 PKCE （RFC 7636）。
  5. 将令牌存储在数据库中并自动刷新。

如果稍后有请求返回 401，应用程序会静默刷新令牌一次并重试 在出现错误之前。可选OAuth覆盖(client_id, client_secret, scopes, redirect_port, auth_url, token_url)可以在服务器的OAuth配置中以JSON格式提供 字段（如果服务器需要）。

Docker注意事项： 当容器在 同一台机器 如你的 浏览器（默认的本地设置）。浏览器被重定向到 http://localhost:8080/ callback，通过已发布的端口到达集装箱--keep 8080 地图。

记录和基准测试

每次LLM调用和MCP工具调用都会记录到SQLite中(chat_logs 表）--没有日志文件 管理。对于每次呼叫，应用程序都会记录：提供商、型号、呼叫类型(initial_request / tool_followup)、令牌使用情况（提示/完成/总计）、延迟（毫秒）（LLM响应时间 和 MCP往返时间）、使用的MCP服务器+工具（带参数）和 数据大小 返回，以及响应预览。工具调用额外记录 成功/错误，the 重试尝试 编号（该工具在该回合内的第N次调用； >1 标记重试），以及 benchmark_run_id 当作为基准的一部分时。共享转弯跑步者也会进行测量 总转弯数 时间 （一条用户消息的端到端挂钟）。工人 作业ID 从以下位置自动检测 工具响应头/正文（如果存在）。

在哪里可以看到它：

  • 每次聊天： 这 📊 日志和使用情况 聊天页面上的扩展器（令牌总数、LLM时间、工具 电话， 预估成本，以及完整的每次通话表），加上 💲 美国东部时间。迄今为止的成本 标题。
  • ⚗️ 基准页面： 一个提示的并排变体比较——总转弯时间， 令牌、工具调用/错误、重试、， 预估成本，以及最终答案；一 每次呼叫 细节 桌子；只需轻轻一点 JSON导出 外部LLM分析（见 使用 应用).
  • 📊 日志页面：
    • 每个日志行的全局CSV可导出表。
    • 每次对话 指标+明细表。每个呼叫表（聊天、每次对话、聊天记录）， 基准）共享一个列集：提供者、调用类型、提示/完成/总令牌， 持续时间、结果大小、成功/错误、尝试、服务器、工具 参数，并预览。
    • 模型 --令牌和按提供商/模型划分的平均延迟（调整您的模型选择）。
    • MCP服务器和工具 --通话次数、平均/最大往返时间和平均 返回的数据大小（调整要保留的服务器/工具）。
    • 按钮到 清除一个聊天记录, 清除所有日志，或 删除所有对话.

这使得成本/性能的权衡变得明显——例如，发现模型何时发布广泛的MCP 返回巨大有效负载的查询，会膨胀下一个调用的提示令牌和延迟。

应用程序日志（文件）与对话日志（数据库）

两个不同的可观察性层：

  • 对话日志 （上图）活在数据库中——每回合令牌、工具、计时和 可靠性 聊天中发生了什么.
  • 应用日志 是一个旋转文件， logs/app.log （1 MB×3个备份），捕获 应用程序是否 本身是健康的 --错误、回溯和MCP/Outh/工具故障。每一个错误都出现在 UI也写在这里。查看或清除其尾巴 🐞 应用日志 部分在 日志页面底部；通过以下方式设置冗长 应用程序日志级别 在设置中（重新启动以应用）。

完整工具I/O调试（选择加入）： 启用 “调试：将完整的工具调用和响应记录到应用程序日志中 文件“ 在设置中写入每个MCP工具调用的完整参数、响应头、正文， 以及任何检测到的Workato作业ID logs/app.log默认情况下，它处于关闭状态（有效载荷可以是 大）；数据库总是只保留一个简洁的预览。

当前注射日期/时间

随着 “注入当前日期/时间” 在“设置”中启用（默认打开），当前日期/时间为 附加到系统提示中，以便模型可以解析相对日期（“最近3天”、“此 周）。对于具有历史数据的测试，禁用它。

数据和存储

所有内容都存在于一个SQLite数据库中， mcp_chat.db （git忽略）。其表格：

表 保持
servers MCP服务器配置（名称、URL、身份验证类型、已启用、OAuth配置）
oauth_tokens 每台服务器的OAuth访问/刷新令牌+客户端凭据
secrets API密钥和设置（密钥/值）
system_prompts 保存的、可重复使用的系统提示
conversations 聊天会话（锁定到提供商/型号）
messages 完整消息历史记录（提供程序本机格式）
chat_logs 每次调用指标：令牌、延迟、数据大小、成功/重试、参数等。
benchmark_runs 一次基准运行（提示+标签+注释+模式：模型/服务器）
benchmark_variants 运行的每个变量结果（提供者/型号、服务器、状态、总时间、对话链接）
model_prices 每个模型的成本率（每100万输入/输出代币的美元），种子+可编辑

模式是在第一次运行时创建的；在较新版本中添加的新列将应用 幂等 ALTER TABLE 迁移，因此现有数据库升级到位。

安全说明： 秘密存储在 mcp_chat.db 作为 纯文本 --相同的曝光 水平为a .env 文件，只是集中。使数据库不受版本控制（ 已经在内 .gitignore).

首次启动时，应用程序会导入任何现有的 .env 和 mcp_servers.json，则完全 DB驱动。数据库和 logs/ 默认情况下，位于代码旁边；设置 MCP_CHAT_DATA_DIR 用于重新定位所有持久状态的环境变量（Docker 图像将其指向已安装的 /app/data 体积）。

项目结构

simple-mcp-chat/
├── app.py                     # Streamlit entry point + Chat page
├── pages/                     # Benchmark, MCP Servers, System Prompts, Settings, Logs
├── providers/                 # Provider catalog + live model fetch + chat backends
│   ├── __init__.py            #   registry, get_provider(), fetch_models()
│   ├── base.py                #   Provider interface (chat_turn)
│   ├── claude.py              #   Anthropic Claude provider
│   └── openai_like.py         #   OpenAI / Ollama / LM Studio provider
├── chat_runner.py             # Shared turn runner (logging, success/retry, total time)
├── mcp_core.py                # Shared MCP client (discover + call tools, job-id detection)
├── db.py                      # SQLite store (servers, tokens, keys, prompts, chats, logs, benchmarks)
├── oauth_store.py             # OAuth 2.0 / PKCE flow with DB-backed token storage
├── logging_setup.py           # Rotating app-log file configuration
├── ui_common.py               # Shared Streamlit helpers (nav, MCP discovery, model lists)
├── Dockerfile                 # Container image (Alpine + uv); CMD runs Streamlit
├── docker-compose.yml         # Local run: ports 8501/8080, ./data volume
├── .dockerignore              # Keeps local state/secrets out of the image
├── DOCKERHUB.md               # Paste-ready text for the Docker Hub repo page
├── data/                      # Runtime state when using Docker (DB + logs; git-ignored)
├── mcp_chat.db                # SQLite database for `uv run` (auto-generated, don't commit!)
├── mcp_servers.json           # Optional seed config (imported once if present)
├── .env                       # Optional seed config (imported once if present)
├── pyproject.toml / uv.lock   # Dependencies
└── README.md                  # You're reading it

先决条件

  • Python 3.10+
  • 紫外线 包管理器(安装)
  • 一 AI提供商：OpenAI或Claude API密钥，或本地Ollama/LM工作室
  • 一个或多个 MCP服务器URL （例如，从您的Workato工作区）

依赖关系（来自 pyproject.toml): openai, anthropic, python-dotenv, requests, streamlit, urllib3 （≥2.7，安全层）。或者只使用Docker——不需要Python/uv。

故障排除

“未发现工具”/服务器发生故障 检查MCP服务器页面上的服务器URL。对于令牌身份验证，请验证令牌；对于OAuth， 点击 🔐 重新验证。如果一台服务器出现故障，其他服务器仍能正常工作——聊天标题 每个服务器的表面错误。

401未经授权

  • 令牌认证：令牌可能已过期——在MCP服务器页面上更新它。
  • OAuth：应用程序自动刷新一次；如果失败，请单击 🔐 重新验证.

OAuth：“身份验证失败”

  • 浏览器未打开→ 点击 🔐 登录链接 如UI中所示。
  • 端口8080正在使用中→ 设置不同 redirect_port 在服务器的OAuth配置中（在Docker中， 也在中发布该端口 docker-compose.yml).
  • 服务器不支持动态注册→ 提供 client_id/client_secret 在 OAuth配置。

下拉列表中缺少模型 仅 定价 显示了Claude/OpenAI模型。打开 ⚙️ 设置→ 模型定价 并给予 模型输入/输出速率（一旦发现就会自动列出）；然后它出现在 聊天和基准选择器。始终显示当地Ollama/LM Studio模型。

模型下拉列表为空或已过期 点击 🔄 刷新模型 在 ⚙️ 设置 页面，以便从提供程序API重新复制。随着 没有键或离线时，列表会回退到一个小的内置集。

“未设置API密钥” 添加提供者的密钥 ⚙️ 设置.

Ollama：无法连接/找不到型号 确保Ollama正在运行(curl http://localhost:11434/api/tags)然后拉动模型 (ollama pull llama3.2).使用支持函数调用的模型。

LM Studio：无法连接/未调用工具 确保LM Studio的本地服务器已启动 LMSTUDIO_BASE_URL 比赛。加载一个模型 支持工具使用（例如Mistral Instruct、Qwen、函数调用Llama）。

对话中无法切换模型 这是故意的——对话被锁定在他们的提供者身上。点击 ➕ 新聊天.

许可证

麻省理工学院

相关 MCP