ADC MCP Project

🤖 MCP企业人工智能辅助系统

一个全面的基于模型上下文协议（MCP）的人工智能应用程序，具有智能服务器选择、专用人工智能工具和用于企业级文本分析、代码审查、情感分析和知识管理的漂亮web界面。

🌟 车间就绪功能

🏗️ 真正的MCP（模型上下文协议）实现

• 📋 JSON-RPC 2.0协议：完全符合JSON-RPC 2.0规范
• � MCP初始化握手：适当的服务器能力协商
• 🔄 标准MCP方法: initialize, tools/list, tools/call, resources/list
• ⚡ WebSocket传输：符合MCP规范的持久连接
• 🎯 工具架构合规性：适当 inputSchema 工具定义格式

🚀 AI驱动的企业功能

• 🧠 智能服务器选择：根据上下文将AI路由到适当的服务器
• 📝 文本分析：AI摘要、实体提取和分类
• 🔍 代码审查：自动质量分析、错误检测、改进
• 😊 情感分析：高级情绪检测和情绪评分
• 📚 知识管理：文件问答和信息检索
• 🎨 漂亮的Web UI：具有结构化结果显示的专业界面
• 🔧 可配置的AI模型：支持Ollama（本地）和Azure OpenAI

🏗️ 系统架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Web Frontend  │────│   Flask App     │────│   MCP Host      │
│   (HTML/JS/CSS) │    │   (Web Server)  │    │ (AI Coordinator)│
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                                        │
                                               ┌─────────────────┐
                                               │   MCP Client    │
                                               │ (Communication) │
                                               └─────────────────┘
                                                        │
        ┌───────────────────┬───────────────────┬───────────────────┬───────────────────┐
        │                   │                   │                   │                   │
┌───────▼────────┐ ┌────────▼────────┐ ┌───────▼────────┐ ┌────────▼────────┐
│ Text Analysis  │ │  Code Review    │ │ Sentiment      │ │   Knowledge     │
│    Server      │ │    Server       │ │   Analysis     │ │    Server       │
│   Port: 8001   │ │   Port: 8002    │ │   Port: 8003   │ │   Port: 8004    │
└────────────────┘ └─────────────────┘ └────────────────┘ └─────────────────┘

📋 先决条件

1.Python安装

• Python 3.8或更高版本 是必需的
• 下载地址：https://python.org/downloads/
• 验证安装： python --version 或 py --version

2.Ollama安装和设置

安装Ollama

1. 下载Ollama：参观https://ollama.ai/download
2. 为您的操作系统安装:

- 视窗：下载并运行安装程序 - macOS: brew install ollama - Linux: curl -fsSL https://ollama.ai/install.sh | sh

下载所需的AI模型

# Download the Llama 3.2 3B model (recommended for this project)
ollama pull llama3.2:3b

# Verify the model is installed
ollama list

启动Ollama服务

# Start Ollama service (keep this running)
ollama serve

3.Git安装（用于克隆存储库）

• 下载地址：https://git-scm.com/downloads
• 验证： git --version

🚀 安装和设置

步骤1：克隆存储库

git clone https://github.com/harunraseed07/ADC_MCP_Project.git
cd ADC_MCP_Project

步骤2：安装Python依赖项

# Install required packages
pip install -r requirements.txt

步骤3：验证Olama模型

# Make sure llama3.2:3b is available
ollama list

# If not installed, download it
ollama pull llama3.2:3b

步骤4：配置系统

系统已预先配置为使用：

• AI提供商：Ollama（当地）
• 模型：骆驼3.2:3b
• 港口：8001-8004用于MCP服务器，5000用于web界面

配置文件位于 config/ 目录。

🎯 快速开始

方法1：自动启动（推荐）

# Start all servers and web application (Windows)
start_demo_system.bat

# For PowerShell
./start_demo_system.bat

方法2：手动启动

# Terminal 1: Start Text Analysis Server
python -m mcp_servers.text_analysis_server

# Terminal 2: Start Code Review Server  
python -m mcp_servers.code_review_server

# Terminal 3: Start Sentiment Analysis Server
python -m mcp_servers.sentiment_analysis_server

# Terminal 4: Start Knowledge Server
python -m mcp_servers.knowledge_server

# Terminal 5: Start Web Application
python web_app/app.py

步骤5：访问应用程序

1. 打开浏览器
2. 导航到：http://localhost:5000
3. 开始与AI助手互动！

💡 用法示例

文本分析

"Summarize this text: [your text here]"
"Extract entities from: [your text]"
"Classify this content: [your content]"

代码审查

"Review this Python code: def function_name():"
"Check this JavaScript for bugs: [your code]"
"Analyze code quality: [your code]"

情感分析

"Analyze sentiment: I love this product!"
"What's the emotion in: [your text]"
"Sentiment of customer feedback: [feedback]"

知识管理

"Search for information about: [topic]"
"What do you know about: [subject]"
"Find documents related to: [query]"

� MCP协议实现

JSON-RPC 2.0合规性

所有通信均遵循JSON-RPC 2.0规范：

{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
        "name": "summarize_text",
        "arguments": {"text": "Your text here"}
    }
}

MCP标准方法

• initialize：服务器功能握手
• tools/list：获取具有模式的可用工具
• tools/call：使用参数执行工具
• resources/list：列出可用资源
• resources/read：读取资源内容

工具架构格式

{
    "name": "summarize_text",
    "description": "AI-powered text summarization",
    "inputSchema": {
        "type": "object",
        "properties": {
            "text": {
                "type": "string",
                "description": "Text to summarize"
            }
        },
        "required": ["text"]
    }
}

�🔧 配置

AI模型配置

编辑 config/mcp_config.json:

{
    "ai_provider": "ollama",
    "ai_model": "llama3.2:3b",
    "ai_base_url": "http://localhost:11434"
}

服务器端口

• 文本分析: 8001
• 代码审查: 8002
• 情感分析: 8003
• 知识: 8004
• 网络界面: 5000

🛠️ 故障排除

常见问题

1. “找不到Ollama”错误

   # Make sure Ollama is running
   ollama serve

1. “找不到模型”错误

   # Download the required model
   ollama pull llama3.2:3b

1. 端口已在使用中

   # Check what's using the ports
   netstat -ano | findstr :8001
   # Kill processes if needed
   kill_all_servers.bat

1. 未找到Python模块

   # Reinstall dependencies
   pip install -r requirements.txt

实用程序脚本

• check_ports.bat -检查哪些端口正在使用中
• kill_all_servers.bat -停止所有正在运行的服务器
• start_demo_system.bat -启动整个系统

🎓 工作坊活动

活动1：基本设置（15分钟）

1. 安装先决条件（Python、Ollama）
2. 下载骆驼3.2:3b模型
3. 克隆并设置项目
4. 启动系统并验证其是否正常工作

活动2：了解MCP（20分钟）

1. 探索系统架构
2. 检查AI路由是如何工作的
3. 测试不同类型的查询
4. 观察服务器选择逻辑

活动3：定制（25分钟）

1. 修改服务器响应
2. 添加新的AI工具
3. 自定义web界面
4. 尝试不同的AI模型

活动4：高级功能（20分钟）

1. 实现自定义服务器逻辑
2. 添加新的MCP服务器
3. 集成外部API
4. 部署到生产环境

📁 项目结构

ADC_MCP_Project/
├── mcp_servers/           # MCP server implementations
│   ├── text_analysis_server.py
│   ├── code_review_server.py
│   ├── sentiment_analysis_server.py
│   └── knowledge_server.py
├── mcp_client/            # MCP client for communication
│   └── client.py
├── mcp_host/              # AI-powered MCP host
│   ├── host.py
│   └── ai_models.py
├── web_app/               # Flask web application
│   ├── app.py
│   ├── templates/
│   └── static/
├── config/                # Configuration files
│   └── mcp_config.json
├── scripts/               # Utility scripts
└── requirements.txt       # Python dependencies

🤝 贡献

1. 分叉存储库
2. 创建要素分支： git checkout -b feature-name
3. 进行更改
4. 彻底测试
5. 提交拉取请求

📄 许可证

此项目根据MIT许可证获得许可-有关详细信息，请参阅许可证文件。

🆘 支持

• 问题：通过GitHub Issues报告错误和请求功能
• 文档：查看项目文件以获取详细指南
• 社区：加入讨论以获得帮助和协作

🎉 致谢

• 基于模型上下文协议（MCP）框架构建
• 由Ollama和Llama 3.2 AI模型提供支持
• 受企业人工智能自动化需求的启发

______________________________________________________________________

快乐编码！ 🚀 准备好探索人工智能驱动的企业应用的未来了！

• 验证端口配置

4.Web UI未加载：

• 检查Flask是否在正确的端口上运行
• 验证模板文件是否存在
• 检查浏览器控制台是否有错误

日志记录

通过设置启用调试日志记录：

FLASK_DEBUG=True
LOG_LEVEL=DEBUG

在启动应用程序的终端中查看日志。

📊 演出

资源使用情况

• 记忆：约200-500MB（取决于AI模型）
• 中央处理器：低（AI推理过程中出现峰值）
• 网络：最小（本地WebSocket通信）

可扩展性

• 每个服务器都可以处理多个并发连接
• 为常见查询缓存AI模型响应
• WebSocket连接持久且高效

🔒 安全

当前实施情况

• 仅限本地通信（localhost）
• 无需认证
• 用于演示的模拟数据

生产注意事项

• 添加身份验证和授权
• 使用HTTPS/WSS进行加密通信
• 实施速率限制
• 添加输入验证和净化
• 使用具有适当安全性的真实数据库

🤝 贡献

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 如果适用，添加测试
5. 提交拉取请求

代码的风格

• Python代码遵循PEP 8
• 使用有意义的变量和函数名
• 为类和函数添加文档字符串
• 评论复杂逻辑

📝 许可证

该项目仅用于演示目的。有关详细信息，请参阅LICENSE文件。

🆘 支持

对于问题和疑问：

1. 检查故障排除部分
2. 查看服务器日志
3. 打开一个包含详细信息的问题

🎯 未来的增强功能

• \[\]添加更多服务器类型（天气、新闻等）
• \[\]实现用户身份验证
• \[\]添加持久数据存储
• \[\]同时支持多个AI模型
• \[\]实时通知
• \[\]移动响应改进
• \[\]带有Swagger的API文档
• \[\]Docker容器化
• \[\]Kubernetes部署支持
• \[\]监控和指标仪表板

______________________________________________________________________

内置❤️ 使用模型上下文协议（MCP）