AI导哈

多服务器MCP客户端

一个生产就绪的MCP客户端，可同时连接到GitHub、Microsoft Learn和文件系统服务器，实现多服务器模型上下文协议。

  • by sahil-makandar
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 sahil-makandar/mcp-servers-github-mslearn-filesystem

使用说明

多服务器MCP实现（Github MCP、MS Learn MCP、文件系统MCP、Azure OpenAI）

用于GitHub、Microsoft Learn和Azure OpenAI文件系统的MCP服务器-多服务器模型上下文协议实现

A. 生产准备就绪 同时连接到多个MCP服务器的MCP客户端：

  • 🐙 GitHub服务器：搜索仓库，获取仓库信息，追踪仓库趋势
  • 📚 Microsoft学习服务器：搜索文档、Azure服务信息
  • 💾 文件系统服务器：自动组织保存/读取文件

建筑

                    ┌─────────────────┐
                    │   Azure OpenAI  │
                    └────────┬────────┘
                             │
                    ┌────────▼────────┐
                    │  MCP Client     │
                    │  (client.py)    │
                    └─┬─────┬────┬────┘
                      │     │    │
        ┌─────────────┘     │    └─────────────┐
        │                   │                  │
┌───────▼────────┐  ┌───────▼────────┐  ┌─────▼──────────┐
│ GitHub Server  │  │ MSLearn Server │  │ FileSystem     │
│ (stdio)        │  │ (stdio)        │  │ Server (stdio) │
└────────────────┘  └────────────────┘  └────────────────┘

特性

1.GitHub集成

  • search_github_repos：按查询搜索存储库
  • get_repo_info：获取详细的回购信息
  • get_trending_repos：按语言查找趋势存储库

2.微软学习集成

  • search_mslearn：搜索MS学习文档
  • get_azure-services：按类别获取Azure服务

3.文件系统集成

  • 保存文件：自动组织保存到 data/<topic>_<datetime>/<filename>
  • read_file：从项目中读取任何文件
  • list_saved_files：列出所有已保存的文件

设置

  1. 安装依赖项 （如果还没有）：

    pip install mcp openai python-dotenv httpx

  2. 配置 .env （以项目根为单位）：

    AZURE_OPENAI_ENDPOINT=https://your-endpoint.openai.azure.com/
AZURE_OPENAI_KEY=your-key
AZURE_OPENAI_DEPLOYMENT=gpt-4o-mini
GITHUB_TOKEN=your-github-token  # Optional, for higher rate limits

  3. 运行客户端:

    python client.py

使用示例

示例1：搜索GitHub并保存

You: Search GitHub for Python machine learning libraries and save the top 3 to a file

[AI will]:
1. Call search_github_repos with query "Python machine learning"
2. Format the results
3. Call save_file to save in data/github_search_20240115_143022/ml_libraries.md

示例2：微软学习搜索

You: What are Azure AI services?

[AI will]:
1. Call get_azure_services with category "ai"
2. Present the list of Azure AI services

示例3：组合工作流

You: Find trending JavaScript repos, then search MS Learn for Node.js tutorials, and save everything to a file

[AI will]:
1. Call get_trending_repos with language "JavaScript"
2. Call search_mslearn with query "Node.js tutorials"
3. Combine results and call save_file to save in organized folder

示例4：代码保存

You: Show me a Python async example and save it as async_example.py

[AI will]:
1. Generate Python async code
2. Call save_file with filename "async_example.py"
3. File saved to data/python_async_20240115_143530/async_example.py

运作原理

1.客户端启动

  • 生成3个MCP服务器作为子进程
  • 每台服务器通过stdio（JSON-RPC 2.0）进行通信
  • 客户端与所有服务器建立MCP会话
  • 从所有服务器收集所有工具（共9个工具）

2.用户查询处理

  • 用户类型自然语言查询
  • 客户端向Azure OpenAI发送所有9个可用工具
  • OpenAI决定调用哪个工具以及使用什么参数

3.工具执行

  • 客户端标识哪个服务器拥有所请求的工具
  • 通过MCP协议调用工具（通过stdio的JSON-RPC）
  • 服务器执行并返回结果
  • 客户端将结果发送回OpenAI进行最终响应

4.文件组织

保存文件时，文件系统服务器会自动创建：

data/
  ├── github_search_20240115_143022/
  │   ├── ml_libraries.md
  │   └── results.json
  ├── azure_services_20240115_144530/
  │   └── ai_services.txt
  └── python_code_20240115_145012/
      └── async_example.py

MCP协议合规性

✅ 正确的运输 （JSON-RPC 2.0）
✅ 多个服务器连接 （3场同时进行的会议）
✅ 工具发现 （列出来自每个服务器的工具）
✅ 工具执行 （通过适当的协议调用tool）
✅ OpenAI函数调用 （本机工具参数）
✅ 自动刀具布线 （客户端为每个工具找到正确的服务器）

延伸

添加新服务器

  1. 创建 server_newservice.py 使用MCP服务器
  2. 添加到 servers dict in client.py
  3. 客户端自动发现并使用新工具

添加新工具

只需添加到任何服务器 list_tools() -客户会自动取走它们！

备注

  • GitHub代币：可选，但建议用于更高的API费率限制
  • 文件路径：所有这些都与客户端运行的项目根相关
  • 错误处理：API故障的优雅后退
  • 并发工具：AI可以按顺序调用多个工具

这是一个 实际MCP实施 展示了多服务器编排的强大功能！

相关 MCP