AI导哈

对话AI客服

一个基于LangGraph和Streamlit构建的对话AI客服，通过Model Context Protocol (MCP)与ClickUp集成，支持自然语言交互、完整的对话历史和工具追踪功能。

  • by notAvailable73
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 notAvailable73/mcp-client

使用说明

MCP客户端

一个使用LangGraph和Streamlit构建的对话式AI聊天机器人，通过模型上下文协议（MCP）与ClickUp集成。此应用程序允许您通过自然语言与ClickUp工作区进行交互，具有完整的对话历史记录和工具跟踪功能。

概述

该项目演示了如何构建一个代理聊天机器人，该机器人：

  • 使用LangGraph通过工具调用编排多步骤对话
  • 通过MCP（模型上下文协议）连接到外部服务（ClickUp）
  • 为聊天交互提供干净的Streamlit UI
  • 通过基于线程的持久性维护对话历史记录
  • 使用LangSmith跟踪所有LLM和工具交互

使用的技术

核心框架

  • LangGraph -用于使用LLM构建有状态、多参与者应用程序的编排框架
  • LangChain -开发由语言模型驱动的应用程序的框架
  • 溪流 -聊天界面的Web UI框架

语言模型

  • Groq -快速LLM推理（使用Llama 4 Scout）
  • 赛博拉斯 -替代LLM提供程序（已注释掉，可以启用）

集成

  • 模型上下文协议（MCP） -将LLM连接到外部工具的标准协议
  • 点击MCP服务器 -提供与ClickUp工作区交互的工具
  • 朗史密斯 -LLM应用程序的可观察性和调试

数据和状态管理

  • SQLite （通过aiosqlite）-持久对话历史存储
  • LangGraph检查点 -会话线程的状态管理

特性

  • 多回合对话：维护多条消息的上下文
  • 基于线程的历史记录：每个对话都已保存，以后可以继续
  • 工具集成：通过MCP动态加载和使用ClickUp工具
  • 实时流媒体：逐令牌流式传输AI响应，以获得更好的用户体验
  • 工具执行可见性：显示在UI中调用工具的时间
  • LangSmith追踪：LLM调用、工具调用及其参数的完全可观察性

先决条件

在设置项目之前，请确保您已经：

安装

1.克隆存储库

git clone https://github.com/notAvailable73/mcp-client.git
cd mcp-client

2.设置Python环境

使用 uv （推荐）：

# Install uv if you haven't already
pip install uv

# Create virtual environment and install dependencies
uv sync

3.配置环境变量

创建一个 .env 项目根目录中的文件：


# LLM API Keys
GROQ_API_KEY=your_groq_api_key_here

运行应用程序

启动Streamlit应用程序

uv run streamlit run frontend.py

应用程序将在默认浏览器中打开 http://localhost:8501.

你能做什么

运行后，您可以要求聊天机器人：

  • 获取您的工作空间层次结构
  • 检索特定任务
  • 列出工作区成员
  • 获取任务注释
  • 查询列表和空格

关键组件

后端(后端.py)

  • LLM设置：配置Groq/Cerebras语言模型
  • MCP客户端：连接到ClickUp MCP服务器并加载可用工具
  • LangGraph：定义与聊天和工具执行节点的对话流
  • 检查点：将对话状态持久化到SQLite
  • 异步管理：用于处理异步操作的专用事件循环

前端(前端.py)

  • 流线型UI：带有消息历史记录的聊天界面
  • 线程管理：创建新对话或恢复以前的对话
  • 流媒体：实时显示AI响应
  • 工具状态：执行工具时的视觉指示器

配置选项

切换LLM提供程序

编辑 后端.py:

# Use Cerebras instead of Groq
llm = ChatCerebras(
    model="llama-3.3-70b",
    temperature=0.1,
    max_tokens=4096
)

贡献

欢迎投稿！请随时提交拉取请求。

致谢

问题或议题？ 欢迎打开问题或联系我们！

相关 MCP