My Own MCP

MyOwnMCP - 自主学习命令行界面工具

一个轻量级的、可自我学习的命令行界面（CLI）工具，能够适应您的使用习惯并提供智能命令建议。

特性/功能

• 自我学习命令模式
• 智能自动补全建议
• 本地命令执行（MCP服务器）
• 训练数据导入/导出
• 完全本地化运营

技术架构

向量存储

目前使用scikit-learn的TF-IDF向量化器和最近邻算法进行命令相似度匹配。数据使用joblib进行持久化存储。

潜在改进措施：

• FAISS（快速应用索引库） - Facebook AI的高效相似度搜索
• 色度 - 开源嵌入式数据库
• Milvus（在中文语境中，该词可能直接音译或根据上下文意译为“鹰嘴豆”或保持原样使用，具体取决于使用场景和语境，但通常作为专有名词或技术术语时，直接音译较为常见） - 为可扩展相似度搜索构建的向量数据库

机器学习组件

• TF-IDF 向量化器：将命令转换为数值向量
• 最近邻算法：查找相似命令以提供建议
• Joblib：持久化存储模型和学习到的模式

本地大型语言模型集成（计划中）

你可以通过以下方式增强该工具： Ollama（注：Ollama是一个开源的机器学习框架，用于训练和部署机器学习模型，但直接翻译其名称并无特定含义，因此此处保留原英文名称） 对于；为；给

• 更好地理解指令
• 自然语言处理
• 情境感知建议

示例集成模式：

# Using Ollama for command understanding
from langchain.llms import Ollama
from langchain.embeddings import OllamaEmbeddings

llm = Ollama(model="llama2")
embeddings = OllamaEmbeddings(model="llama2")

安装

1. 克隆仓库
2. 安装依赖项：

pip install -r requirements.txt

用法

运行CLI工具：

python mcp.py

带有训练数据：

python mcp.py --training-data your_training_data.yaml

技术文档

向量存储

该工具目前使用：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.neighbors import NearestNeighbors

数据被持久化存储在 model.joblib 包含：

• 训练好的TF-IDF向量化器
• 最近邻模型
• 历史命令

学习过程

1. 收到新指令 → 使用TF-IDF进行向量化
2. 向最近邻模型中添加向量
3. 模型重新训练
4. 状态已持久化到磁盘

相关资源

1. 向量数据库：

- FAISS 文档 - 色度文档 - Milvus 文档

1. 本地大型语言模型（LLMs）：

- - LangChain + Ollama 集成

1. 机器学习：

- Scikit-learn TF-IDF（词频-逆文档频率） - 最近邻