Ollama MCP Server (Newaitees)

ollama MCP服务器

Ollama通信Model Context Protocol (MCP) 服务器

概要

这个MCP服务器在本地Ollama LLM实例和MCP在兼容应用程序之间无缝集成，提供高级任务分解、评估和工作流管理。

主要功能：

• 复杂问题的任务分解
• 评估和验证结果
• Ollama管理和运行模型
• MCP协议标准化通信
• 高级错误处理和详细错误消息
• 性能优化（连接池、LRU高速缓存

组件

资源

服务器实现以下资源：

• 任务：// -访问单个任务URI方案
• 结果：// -用于访问评估结果URI方案
• 型号：// -可用Ollama用于访问模型URI方案

对于每个资源LLM和适当的元数据进行交互MIME类型已设置。

提示和工具关系

MCP在服务器上，提示和工具密切相关，但具有不同的角色。

• 提示：LLM提供特定思考方法和构造的方案（Schema）之类的角色
• 工具：像实际执行动作的处理程序（Handler）一样的角色

每个工具都需要相应的模式（提示）LLM的思考能力和实际的系统功能有效地联合起来。

提示

服务器提供一些特殊提示：

• 分解任务 -将复杂任务分解为易于管理的子任务

- 获取任务说明和粒度级别选项参数 - 返回包含依赖关系和估计复杂性的结构化明细

• 评估结果 -分析指定标准的任务结果

- 获取结果内容和评估参数 - 返回包括分数和改进建议的详细评估

工具

服务器实现了一些强大的工具：

• 添加任务

- 所需参数： name (文字列), description (文字列) - 可选参数： priority (数値), deadline (文字列), tags (配列) - 在系统中创建新任务并返回其标识符 - 对应的架构：用于创建任务的数据验证架构

• 分解任务

- 所需参数： task_id (文字列), granularity (文字列: "high"|"medium"|"low") - 可选参数： max_subtasks (数値) - Ollama将复杂任务分解为可管理的子任务 - 对应的架构：上述decompose-task提示

• 评估结果

- 所需参数： result_id (文字列), criteria （对象） - 可选参数： detailed （布尔值） - 针对指定标准评估结果并提供反馈 - 对应的架构：上述evaluate-result提示

• 运行模型

- 所需参数： model (文字列), prompt (文字列) - 可选参数： temperature (数値), max_tokens (数値) - 使用指定的参数Ollama运行模型 - 对应的架构：Ollama模型执行参数验证方案

新功能和改进

扩展错误处理

服务器提供更详细、结构化的错误消息。这使客户端应用程序能够更有效地处理错误。错误响应示例：

{
  "error": {
    "message": "Task not found: task-123",
    "status_code": 404,
    "details": {
      "provided_id": "task-123"
    }
  }
}

性能优化

• 连接滑轮：共享HTTP使用连接池可以提高请求性能并降低资源利用率。
• LRU高速缓存：高速缓存对相同或类似请求的响应可缩短响应时间Ollama减少了服务器的负载。

这些设置 config.py 中所述修改相应参数的值

# パフォーマンス関連設定
cache_size: int = 100                 # キャッシュに保存する最大エントリ数
max_connections: int = 10             # 同時接続の最大数
max_connections_per_host: int = 10    # ホストごとの最大接続数
request_timeout: int = 60             # リクエストタイムアウト（秒）

模型指定功能

概要

Ollama-MCP-Server以多种方式Ollama提供可指定模型的灵活功能。

模型指定优先级

模型按以下优先级指定：

1. 调用工具时的参数（model 参数）
2. MCP在动态输入提示中单击 env 区域
3. 环境变数（OLLAMA_DEFAULT_MODEL)
4. 默认值（llama3)

MCP使用配置文件指定模型

Claude Desktop中描述的相应参数的值MCP可以使用配置文件指定模型：

{
  "mcpServers": {
    "ollama-MCP-server": {
      "command": "python",
      "args": [
        "-m",
        "ollama_mcp_server"
      ],
      "env": [
        {"model": "llama3:latest"}
      ]
    }
  }
}

确认可用模型

服务器启动时，将检查配置的模型是否存在。如果未找到模型，则输出警告日志。此外run-model工具返回可用的模型列表，用户可以选择有效的模型。

错误处理改进

如果指定的模型不存在或发生通信错误，将提供详细的错误消息。错误消息包含可用的模型列表，帮助用户快速解决问题。

测试

项目包括全面的测试套件：

• 单元测试：测试单个组件的功能
• 集成测试：测试端到端工作流

要运行测试：

# すべてのテストを実行
python -m unittest discover

# 特定のテストを実行
python -m unittest tests.test_integration

设定

环境变数

OLLAMA_HOST=http://localhost:11434
DEFAULT_MODEL=llama3
LOG_LEVEL=info

Ollama设置

Ollama请确保已安装并在正确的模型上运行：

# Ollamaをインストール（まだインストールされていない場合）
curl -fsSL https://ollama.com/install.sh | sh

# 推奨モデルをダウンロード
ollama pull llama3
ollama pull mistral
ollama pull qwen2

快速启动

安装

pip install ollama-mcp-server

Claude Desktop设定

MacOS

路径： ~/Library/Application\ Support/Claude/claude_desktop_config.json

视窗

路径： %APPDATA%/Claude/claude_desktop_config.json

開発/未公開サーバーの設定

"mcpServers": {
  "ollama-MCP-server": {
    "command": "uv",
    "args": [
      "--directory",
      "/path/to/ollama-MCP-server",
      "run",
      "ollama-MCP-server"
    ],
    "ENV":["model":"deepseek:r14B"]
  }
}

公開サーバーの設定

"mcpServers": {
  "ollama-MCP-server": {
    "command": "uvx",
    "args": [
      "ollama-MCP-server"
    ]
  }
}

使用例

任务分解

要将复杂任务分解为可管理的子任务，请执行以下操作：

result = await mcp.use_mcp_tool({
    "server_name": "ollama-MCP-server",
    "tool_name": "decompose-task",
    "arguments": {
        "task_id": "task://123",
        "granularity": "medium",
        "max_subtasks": 5
    }
})

结果评似

要为特定标准评估结果：

evaluation = await mcp.use_mcp_tool({
    "server_name": "ollama-MCP-server",
    "tool_name": "evaluate-result",
    "arguments": {
        "result_id": "result://456",
        "criteria": {
            "accuracy": 0.4,
            "completeness": 0.3,
            "clarity": 0.3
        },
        "detailed": true
    }
})

Ollama运行模型

Ollama要直接查询模型：

response = await mcp.use_mcp_tool({
    "server_name": "ollama-MCP-server",
    "tool_name": "run-model",
    "arguments": {
        "model": "llama3",
        "prompt": "量子コンピューティングを簡単な言葉で説明してください",
        "temperature": 0.7
    }
})

开発

项目设置

1. 克隆存储库：

git clone https://github.com/yourusername/ollama-MCP-server.git
cd ollama-MCP-server

1. 创建并激活虚拟环境：

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

1. 安装开发依赖关系：

uv sync --dev --all-extras

本地开发

项目包含一个方便的开发脚本：

运行服务器

./run_server.sh

可选：

• --debug：在调试模式下运行（日志级别：DEBUG）
• --log=LEVEL：指定日志级别（DEBUG，INFO，WARNING，ERROR，CRITICAL）

运行测试

./run_tests.sh

可选：

• --unit：仅运行设备测试
• --integration：仅运行集成测试
• --all：运行所有测试（默认值）
• --verbose：详细测试输出

构建和发布

要准备分发包，请执行以下操作：

1. 同步从属关系并更新锁定文件：

uv sync

1. 构建包分发：

uv build

因此dist/将在目录中创建源和控制盘分发。

1. PyPI发布：

uv publish

注意：PyPI必须使用环境变量或命令标志设置凭据：

• 标记： --token在工作空间的边缘UV_PUBLISH_TOKEN
• 或用户名/密码： --username/UV_PUBLISH_USERNAME打开--password/UV_PUBLISH_PASSWORD

调试

MCP服务器是stdio中描述的场景，使用以下步骤创建明细表，以便在概念设计中分析体量的体积。最佳调试 为了体验MCP检查员对较大场景进行渲染期间已观察到该故障。

来修改标记元素的显示属性MCP Inspector要启动，请执行以下命令：

npx @modelcontextprotocol/inspector uv --directory /path/to/ollama-MCP-server run ollama-mcp-server

启动时Inspector可以在浏览器中访问并开始调试URL列表框中，此格式对应于条目“无”。

阿基特

貢献

贡献欢迎！请随意提交拉式请求。

1. 分叉存储库
2. 创建功能分支（git checkout -b feature/amazing-feature)
3. 提交更改（git commit -m 'Add some amazing feature')
4. 推到分支（git push origin feature/amazing-feature)
5. 打开拉式请求

许可证

这个项目MIT许可证下的许可证-详细信息LICENSE请参见文件。

谢辞

• 提供卓越的协议设计模型上下文协议团队
• 本地LLM可访问执行没有项目名称
• 此项目的所有贡献者