mcpaichatbot (Pinnacleaisolutions)

🤖 MCP集成人工智能聊天机器人

由Google Gemini提供支持的强大AI聊天机器人，可以发现和使用来自多个MCP（模型上下文协议）服务器的工具。这允许您的聊天机器人与文件系统、API、数据库和自定义工具动态交互。

✨ 特性

• 多服务器MCP支持：同时连接到多个MCP服务器
• 自动工具发现：自动发现并集成来自连接服务器的工具
• 谷歌Gemini集成：使用Gemini的功能调用智能工具使用
• 可扩展：易于添加新的MCP服务器和自定义工具
• 交互式聊天：用于对话的干净命令行界面

📋 先决条件

• Python 3.10或更高版本
• Node.js（用于基于节点的MCP服务器，如文件系统）
• Google Gemini API密钥(在这里买一个)

🚀 快速开始

1.安装依赖项

# Install Python dependencies
pip install -r requirements.txt

# Install the filesystem MCP server (optional but recommended)
npm install -g @modelcontextprotocol/server-filesystem

2.配置环境

创建一个 .env 项目根目录中的文件：

cp .env.example .env

编辑 .env 并添加您的Gemini API密钥：

GEMINI_API_KEY=your_actual_api_key_here

3.配置MCP服务器

这 mcp_config.json 文件包含MCP服务器配置。默认情况下，它包括：

• 文件系统服务器：读取/写入scratch目录中的文件
• 自定义示例服务器：带有问候、计算和时间工具的演示服务器

编辑 mcp_config.json 致：

• 修改允许的文件系统路径
• 添加/删除MCP服务器
• 配置服务器特定设置

4.运行聊天机器人

cd src
python app.py

💬 使用聊天机器人

一旦开始，您可以：

• 正常聊天：提问或请求任务
• 使用工具：AI将在需要时自动使用MCP工具
• 类型 tools：查看所有可用工具
• 类型 quit/exit：退出应用程序

对话示例

You: List the files in the current directory
🤖 Assistant: [Uses filesystem MCP server to list files]

You: Greet me in Spanish
🤖 Assistant: [Uses custom server's greet_user tool]

You: What's 42 multiplied by 17?
🤖 Assistant: [Uses custom server's calculate tool]

🔧 添加新的MCP服务器

使用现有的MCP服务器

添加 mcp_config.json:

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_TOKEN": "your_github_token"
      },
      "description": "GitHub repository access"
    }
  }
}

创建自定义MCP服务器

看 examples/custom_mcp_server.py 举一个完整的例子。关键步骤：

1. 导入MCP服务器SDK
2. 创建一个 Server 例子
3. 定义工具 @app.list_tools()
4. 使用以下工具实现工具处理程序 @app.call_tool()
5. 使用stdio传输运行

📁 项目结构

mcp-chatbot/
├── src/
│   ├── app.py                  # Main entry point
│   ├── chatbot.py              # Chatbot logic with Gemini
│   └── mcp_client_manager.py   # MCP client management
├── examples/
│   └── custom_mcp_server.py    # Example custom server
├── mcp_config.json             # MCP server configurations
├── requirements.txt            # Python dependencies
├── .env.example               # Environment template
└── README.md                  # This file

🛠️ 建筑

┌─────────────────┐
│   User Input    │
└────────┬────────┘
         │
         ▼
┌─────────────────────────────┐
│    MCPChatbot (chatbot.py)  │
│  - Google Gemini Integration │
│  - Function Call Handling   │
└────────┬────────────────────┘
         │
         ▼
┌──────────────────────────────────────┐
│  MCPClientManager (mcp_client_       │
│  manager.py)                         │
│  - Server Connection Management      │
│  - Tool Discovery                    │
│  - Tool Execution Routing            │
└────────┬─────────────────────────────┘
         │
         ▼
┌────────────────────────────────────────┐
│         MCP Servers                    │
│  ┌──────────┐  ┌──────────┐           │
│  │Filesystem│  │  Custom  │  ...      │
│  │  Server  │  │  Server  │           │
│  └──────────┘  └──────────┘           │
└────────────────────────────────────────┘

🔍 运作原理

1. 初始化：应用程序加载MCP配置并连接到所有服务器
2. 工具发现：每台服务器报告其可用工具
3. 聊天循环：用户向聊天机器人发送消息
4. 人工智能处理双子座决定是否需要使用工具
5. 工具执行：MCP客户端管理器将工具调用路由到适当的服务器
6. 响应：结果通过Gemini发回以生成最终响应

🐛 故障排除

“找不到GEMINI_API_KEY”

• 确保您创建了 .env 文件
• 检查API密钥是否在中正确设置 .env

第1阶段：后端标准和调试

• \[x\] 添加显式 PUBLIC_BASE_URL 登录 chatbot.py
• \[x\] 重构 GenerateImage 工具响应以包含更多元数据（宽度、高度等）
• \[x\] 在markdown输出中添加“打开图像”备份链接
• \[x\] 实施 GET /debug/image-test 在 main.py
• \[x\] 标准化服务器端下载 *全部* 提供者（双子座/民意调查）

第二阶段：前端稳健性

• \[x\] 在中添加调试JSON视图 chat.js
• \[x\] 实施明确 ` 标签渲染 onerror` 后备方案
• \[x\] 改进图像样式（圆角、最大宽度）

第3阶段：验证和部署

• \[x\] 创建 test_image_deploy.py 验证脚本
• \[x\] 在生产日志中标记固定图像
• \[x\] 推送所有更改并在渲染上验证

“找不到配置文件”

• 确保 mcp_config.json 存在于项目根目录中
• 检查您是否从正确的目录运行应用程序

MCP服务器连接失败

• 对于Node服务器：确保Node.js已安装并位于PATH中
• 对于自定义服务器：检查Python路径和依赖关系
• 查看服务器日志中的特定错误消息

无可用工具

• 检查中的MCP服务器配置 mcp_config.json
• 验证服务器是否正确启动（检查日志）
• 确保服务器命令和路径正确

📚 资源

• MCP文件
• Google Gemini API
• 可用的MCP服务器

🤝 贡献

您可以通过以下方式扩展此聊天机器人：

• 额外的MCP服务器
• 自定义工具
• UI改进
• 更好的错误处理

📄 许可证

MIT许可证-随意使用和修改！

______________________________________________________________________

🚀 渲染部署

重要说明

• 免费睡眠：免费服务在15分钟不活动后自动休眠。这可能会导致醒来时出现30-60秒的“冷启动”延迟。
• 保持活力：使用UptimeRobot等监控服务每5分钟ping一次你的应用程序，以防止睡眠。
• 服务器绑定：服务器绑定到 0.0.0.0 并使用 PORT 环境变量（渲染所需）。

健康检查端点

该应用程序包括不需要身份验证且不调用任何AI模型的健康检查端点：

渲染的环境变量

在“环境”下的“渲染”仪表板中设置这些：

• GROQ_API_KEY -您的Groq API密钥
• GEMINI_API_KEY -您的Gemini API密钥
• HF_TOKEN -您的HuggingFace代币
• REPLICATE_API_TOKEN -您的复制令牌
• PUBLIC_BASE_URL - 关键的：您的服务的公共URL（例如。， https://your-chatbot.onrender.com)

渲染部署步骤

1. 连接存储库:

- 首选 渲染仪表板 → New → Web服务 - 连接您的GitHub仓库

1. 配置设置:

- 名字: mcp-chatbot （或您喜欢的名字） - 环境: Python 3 - 生成命令: pip install -r requirements.txt - 启动命令: uvicorn main:app --host 0.0.0.0 --port $PORT

1. 设置环境变量:

- 转到“环境”选项卡 - 添加上面列出的所有4个API密钥

1. 部署:

- 点击“创建Web服务” - 等待构建完成

1. 重新部署 （代码更改后）：

- 推送到GitHub，渲染自动部署 - 或：仪表板→ 手动部署→ 部署最新提交

______________________________________________________________________

📊 Uptime机器人设置

要防止Render冷启动并监视正常运行时间，请执行以下操作：

1. 创建账户：注册地址： Uptime机器人
2. 添加新监视器:

- 监视器类型： HTTP - 友好名称： MCP Chatbot Health - 网址： https://your-app.onrender.com/health - 监测间隔： 5分钟 - 预期响应代码： 200

1. 警报联系人：（可选）添加电子邮件/webhook以发出停机警报

______________________________________________________________________

______________________________________________________________________

内置于❤️ 使用MCP和谷歌Gemini