______________________________________________________________________
标题：Astrix MCP服务器 表情符号🦁 颜色来源：靛蓝 颜色To：紫色 sdk：毕业 sdk版本：4.19.2 app_file：app.py 固定：false 许可证：mit 标签：
- 主控程序
- 抹布
- 桑巴诺娃
- 谷歌
- 双子座
- 人类
- 模态
- 动物
- 构建mcp跟踪消费者
______________________________________________________________________
🦁 Astrix MCP服务器
动物知识的终极多模型RAG系统。
Astrix MCP服务器 是一个高性能、生产就绪的模型上下文协议（MCP）服务器，旨在提供有关动物王国的准确、科学支持和人工智能丰富的信息。它将庞大的本地数据集（19000多条记录）与先进的大型语言模型（LLM）相结合，以提供即时、可靠的答案。
🎥 观看演示视频
______________________________________________________________________
🚀 特性
🧠 多模型智能
在用于推理和生成的顶级AI模型之间无缝切换：
- SambaNova云：使用Llama 3.3 70B、Llama 3.1 8B和DeepSeek R1/V3进行快速推理。
- 谷歌双子座：完全支持Gemini生态系统（3.0专业预览版、2.5专业版、2.5 Flash、Gemma 3）。
- 安thropic克劳德：克劳德3.5十四行诗和俳句的高智商推理。
- 布莱克塞尔：无服务器代理建议和有趣的事实。
- 当地撤退：离线关键字搜索和“微型模型”模拟。
🛡️ 强大的API密钥系统和故障切换
- 可选密钥：用户可以使用内置功能浏览系统 演示密钥 （受费率限制）。
- 智能回退：如果高级型号（如Gemini 2.5 Pro）达到费率限制，系统会自动降级到更快、更便宜的型号（如双子2.5 Flash Lite），以确保请求成功。
- 会话安全：用户提供的API密钥仅存储在活动会话的内存中，从不保存到磁盘。
📚 统一知识库
系统查询从多个来源构建的合并索引：
- 报废数据：19000+原始动物记录(
animals.json). - 科学数据：外部CSV的分类和归类(
animals-external.csv). - 人工智能丰富的数据：Llama 3.3通过Modal填写的缺失字段（饮食、寿命、有趣的事实）(
animals_enriched.json).
🔍 混合搜索（RAG）
- 语义搜索：用途
sentence-transformers（Local）或Modal（Serverless GPU）基于含义而不仅仅是关键字来查找动物。 - 关键字回退：即使没有GPU，也能立即获得结果。
______________________________________________________________________
🧩 建筑
该项目采用模块化结构 快速API 应用程序与a 格拉迪奥 前端。
- 前端(
app.py)：一个干净、交互式的web界面，用于查询模型、管理密钥和查看原始数据。 - 逻辑核心(
logic.py)：处理RAG检索、提示工程、模型路由和错误处理。 - 数据层(
data/)：存储JSON和CSV数据集。 - ETL管道(
scripts/)：用于合并、清理和丰富数据的Python脚本。
______________________________________________________________________
📂 文件夹结构
astrx-mcp-server/
├── app.py # Main entry point (FastAPI + Gradio)
├── logic.py # Core business logic, RAG, and model integration
├── modal_ops.py # Modal serverless functions for embeddings
├── requirements.txt # Python dependencies
├── Dockerfile # Container configuration
├── README.md # Documentation
├── data/ # Dataset storage
│ ├── animals.json # Raw scraped data
│ ├── animals_enriched.json # AI-processed production data
│ ├── animals-external.csv # Scientific classification data
│ └── Animal Traits...csv # Observational traits
├── scripts/ # ETL and Maintenance
│ ├── merge_external_datasets.py
│ ├── enrich_animals_modal.py
│ └── validate_data.py
└── tests/ # Unit and pipeline tests______________________________________________________________________
🛠️ 安装和设置
先决条件
- Python 3.10+
- Git
1.克隆存储库
git clone https://github.com/praneet1503/astrx-mcp-server.git
cd astrx-mcp-server2.安装依赖项
pip install -r requirements.txt3.配置环境（可选）
创建一个 .env 文件以永久存储API密钥，用于本地开发：
SAMBANOVA_API_KEY=your_key_here
CLAUDE_API_KEY=your_key_here
GEMINI_API_KEY=your_key_here
MODAL_TOKEN_ID=your_token_id
MODAL_TOKEN_SECRET=your_token_secret4.运行服务器
python app.py访问UI http://localhost:7860.
______________________________________________________________________
🧬 数据集和丰富
Astrix的核心是它的数据。我们使用多级管道来确保质量：
- 摄入：原始数据被抓取并保存到
data/animals.json. - 归一化:
scripts/merge_external_datasets.py规范字段名称，合并科学分类。 - 人工智能丰富:
scripts/enrich_animals_modal.py用途 模态 将请求并行化 桑巴诺娃呼叫3.1 8b，填补空白，如：
- *饮食* - *寿命* - *威胁状态* - *有趣的事实*
要自己运行富集管道，请执行以下操作：
export SAMBANOVA_API_KEY="your_key"
modal run scripts/enrich_animals_modal.py______________________________________________________________________
☁️ 部署
拥抱面部空间
该项目针对拥抱脸空间（Docker SDK）进行了优化。
- 创建一个新的空间。
- 选择 码头工人 作为SDK。
- 将此存储库推送到空间。
- 将API密钥添加为 秘密 在“空间”设置中。
模态
用于重型起重作业（嵌入和批量富集）。
- 部署嵌入功能：
modal deploy modal_ops.py
______________________________________________________________________
🤝 贡献
欢迎投稿！请按照以下步骤操作：
- 分叉存储库。
- 创建要素分支(
git checkout -b feature/amazing-feature). - 提交你的更改。
- 推到树枝上。
- 打开拉取请求。
______________________________________________________________________
📄 许可证
该项目根据 Apache许可证.
______________________________________________________________________
内置于❤️ MCP黑客马拉松。 *由SambaNova、谷歌Gemini、Anthropic、Blaxel和Modal提供技术支持。*