MCP collaboration

MCP-Bedrock AI协作系统

Claude Desktop的，之MCP（Model Context Protocol）扩展服务器AWS Bedrock通过多个AI是使模型协调动作的创新系统。不同AI的视点相结合，可以实现更高精度的分析和交叉验证。

🌟 主要功能

• AI管教: Claude Desktop成为指挥者，多个AI集成模型
• 多模型分析：多个AI（Titan、Llama、Claude）分析
• 自动回退：即使一个模型失败，也会自动在另一个模型上继续
• 本地RAG整合: API以成本$0搜索本地文档
• 交叉验证：通过比较不同模型的输出来提高精度

🏗️ 系统配置

ユーザー → Claude Desktop → MCP Server → AWS Bedrock → 複数のAIモデル
                              ↓                          ├→ Amazon Titan
                     ローカルRAG検索                       ├→ Meta Llama
                                                         └→ Claude Haiku

🚀 快速启动

前提条件

• Python 3.8以上
• 克劳德桌面版
• AWS帐户（带Bedrock访问权限）
• 反想环境（推奨）

安装说明

1. 克隆存储库

git clone https://github.com/yourusername/mcp-collaboration.git
cd mcp-collaboration

1. 虚拟环境设置

python -m venv mcp_env
source mcp_env/bin/activate  # Windowsの場合: mcp_env\Scripts\activate

1. 安装相关性

pip install -r requirements.txt

1. AWS设置凭据

项目根目录.env创建文件：

AWS_ACCESS_KEY_ID=your_access_key
AWS_SECRET_ACCESS_KEY=your_secret_key
AWS_DEFAULT_REGION=us-west-2

1. Claude Desktop配置

~/Library/Application Support/Claude/claude_desktop_config.json编辑：

{
  "mcpServers": {
    "mcp-bedrock-collab": {
      "command": "/path/to/mcp_env/bin/python",
      "args": ["/path/to/mcp-collaboration/mcp_server.py"]
    }
  }
}

1. AWS Bedrock申请模型访问

• AWS控制台-Bedrock → Model access
• 请求访问以下模型：

- Titan文本快递 - 克劳德3俳句 - 拉玛3 8B

💻 用法

Claude Desktop中的基本命令

另一个AI获得第二意见：

get_second_opinionを使って：
content: "def add(a, b): return a + b"
question: "このコードは良いPythonコードですか？"
model: "titan"

多模型分析：

multi_ai_analysisを使って：
content: "分析したいコンテンツ"
analysis_type: "review"
models: "titan,llama3-8b"

本地文档搜索：

search_local_docsで"React"を検索

🛠️ 可用工具

工具｜说明｜ |-------|------| | get_second_opinion ｜特定的AI从模型中获取分析 | multi_ai_analysis 多个AI在模型中分析内容 | search_local_docs ｜将本地文档RAG搜索（成本$0） | build_local_docs_index ｜构建/重建本地搜索索引｜ 文件操作 read_code, create_code, delete_code, list_files_in_directory |

📊 应对AI模型

🐛 故障排除

常见问题及解决办法

“未找到AWS凭据”エラー

• .env确认文件是否存在并设置了正确的认证信息
• 环境变量以大写字母表示：AWS_ACCESS_KEY_ID

"No access to model X"错误

• AWS在控制台中确认模型访问
• 按区域管理模型访问
• 申请访问后等待1-2分钟

"maxTokens"错误

• 在最新版本中inferenceConfig使用格式

📁 项目结构

mcp-collaboration/
├── mcp_server.py            # AI協働機能を実装したMCPサーバー
├── requirements.txt         # Python依存関係
├── .env                    # AWS認証情報（gitignore対象）
├── README.md               # このファイル
├── documents/              # RAG検索用ドキュメント
└── rag_db_local/          # ローカルベクトルデータベース

🎯 使用例

• 代码审核：从多个角度评估代码质量
• 验证学习内容：不同AI在模型中确认理解度
• 内容分析：交叉验证信息的准确性
• 自动回退：在主模型出现故障时保证响应

🤝 分发

欢迎拉要求！改善方案和错误报告Issue请通知我。

📝 许可证

MIT License - 请自由地在你的项目中使用

🏆 技术的成果

• MCP和AWS Bedrock成功集成
• 个人开发水平AI实现协调
• AI在模型之间构建自动回退系统
• 本地RAG零成本实施
• 从概念验证到动作确认一天内完成

🙏 谢辞

• 提供了初期课题的编程课程
• MCP提供框架Claude Desktop团队
• 统一的AI实现模型访问AWS Bedrock

📧 隐形眼镜

• github： @2014年9月14日
• 项目：

______________________________________________________________________

注记：这是概念实证的实现AI显示协作系统的可能性。个人开发人员也可以使用最新的工具AI它证明了可以构建管弦乐队。

🔍 详细文档

本地RAG配置

documents/请在目录中放置要搜索的文件。对应形式：

• Markdown（.md）
• 文本（.txt）
• 程序代码（.py，.js）
• 配置文件（.json，.yaml，.yml）

模型添加方法

mcp_server.py的，之AI_MODELS在词典中添加新模型：

AI_MODELS = {
    "your-model": "model.id.here",
    # ...
}

错误日志

所有错误db/errors.json中所述修改相应参数的值。请在调试时参考。