AI导哈

LLM代理与工作流构建工具

MCP（模型上下文协议）是一个帮助用户在大型语言模型（LLM）之上构建代理和复杂工作流的工具，提供实时数据集成、预构建工具库和LLM供应商切换灵活性，主要应用于教育内容生成场景。

  • by pratik2374
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 pratik2374/mcp-server

使用说明

MCP服务器和工具

MCP（模型上下文协议）可帮助您在LLM之上构建代理和复杂的工作流。LLM经常需要与数据和工具集成，MCP提供：

  • 我们可以更新LLM，以获取LLM尚未知道的当前或相关数据
  • LLM可以直接插入的预构建集成列表越来越多。
  • 在LLM提供商和供应商之间切换的灵活性。
  • 在基础架构中保护数据的最佳实践。

文件结构

  • main.py -运行MCP服务器的主文件
  • Task1 setup -具有单独教育链功能和以MCP服务器所需格式生成响应的文件夹
  • Response -包含所有输出图像和所需Pdf的响应文件夹

概述

MCP在STDIO上运行，在STDIO中，标准化的输入被提供给服务器，它返回标准化的输出，这些输出由客户端管理。 MCP服务器和工具是一个旨在实现大型语言模型（LLM）或人工智能助手与现实世界数据、数据库和当前新闻之间无缝交互的项目。通过利用 教育链 该项目为人工智能驱动的教育工具和服务提供了一个强大的框架。

特性

MCP服务器

  • 充当LLM和外部数据源之间的桥梁。
  • 允许实时访问数据库、新闻和其他动态信息。

本项目中的MCP工具

目前，这些工具依赖于Groq API和开源模型，但如果我们愿意，我们可以根据需求使用任何数量的LLM

  1. MCQ发电机：根据输入主题和所需的MCQ数量自动生成多项选择题，此外，我们还可以提供额外信息或指导，以指导MCQ生成过程
  2. 课程计划生成器：创建针对特定主题或要求量身定制的结构化课程计划。
  3. 闪卡生成器：制作抽认卡，以便有效学习和复习。

项目流程

安装后 教育链 利用LLama模型建立了教育链临床。 然后，使用带有适当docString的异步函数初始化MCP工具，以便LLM可以选择适当的工具，并生成outpur并将其返回给LLM进行内容生成。

用例

该项目允许AI助手，例如 克劳德桌面（此处为MCP主机），将MCP工具用于教育目的。例如：

  • 为测验生成MCQ。
  • 为教师或学生准备课程计划。
  • 为学习课程制作抽认卡。

技术栈

  • 紫外线：用于基本安装和运行应用程序
  • Educhain图书馆：用于构建MCP服务器和工具的核心库。
  • MCP服务器：轻量级程序，每个程序都通过标准化的模型上下文协议公开特定的功能

参考文献

联系

如有疑问或需要支持，请联系[pratikgond2005@gmail.com].

相关 MCP