pid MCP

带MCP的人工智能助理API

基于FastAPI的AI助手，使用Pydantic AI与GPT-4o和MCP（模型上下文协议）服务器。

特性

• 🤖 AI助手 通过MCP访问安全检查系统数据
• 📚 Swagger 用户界面 用于交互式API文档（可用于生产）
• 🔌 MCP集成 用于实时数据访问
• 🐳 Docker支持 便于部署
• 🚀 快速API 用于高性能异步API

先决条件

• Python>=3.11
• 紫外线 包管理器

安装

1. 安装所有依赖项：

   uv sync

环境变量

创建一个 .env 项目根目录中的文件包含以下内容：

# OpenAI API Key (required)
OPENAI_API_KEY=your_openai_api_key_here

# MCP Server URL
MCP_SERVER_URL=https://backend-pid-production.up.railway.app/mcp/sse

运行项目

选项1：运行API服务器（生产版）

要运行FastAPI服务器：

uv run uvicorn api:app --reload --port 8000

API将在以下网址提供：

• API根: http://localhost:8000
• Swagger 用户界面: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc
• 健康检查: http://localhost:8000/health

选项2：运行Streamlit应用程序（开发/测试）

要运行Streamlit应用程序，请执行以下操作：

uv run streamlit run streamlit.py

该应用程序将在 http://localhost:8501 默认情况下。

Docker部署

快速入门脚本（推荐！）

使用提供的启动脚本：

# Make executable (first time only)
chmod +x docker-start.sh

# Run
./docker-start.sh

此脚本将：

• ✅ 检查Docker是否已安装并正在运行
• ✅ 验证 .env 文件存在
• ✅ 构建Docker镜像
• ✅ 启动容器
• ✅ 等待API准备就绪
• ✅ 在浏览器中打开Swagger UI

手动Docker命令

1. 塑造形象：

   docker build -t pid-mcp-api .

1. 运行容器：

   docker run -d \
     -p 8000:8000 \
     --env-file .env \
     --name pid-mcp-api \
     --restart unless-stopped \
     pid-mcp-api

1. 访问API：

- Swagger 用户界面: http://localhost:8000/docs - API根: http://localhost:8000 - 健康检查: http://localhost:8000/health

1. 查看日志：

   docker logs -f pid-mcp-api

1. 停止并删除：

   docker stop pid-mcp-api && docker rm pid-mcp-api

API使用示例

使用curl

curl -X POST "http://localhost:8000/ask" \
  -H "Content-Type: application/json" \
  -d '{
    "question": "Какие есть департаменты?",
    "model": "openai:gpt-4o"
  }'

使用Python

import requests

response = requests.post(
    "http://localhost:8000/ask",
    json={
        "question": "Покажи статистику системы",
        "model": "openai:gpt-4o"
    }
)

result = response.json()
print(result["answer"])

文档

• 看 医生.md 了解详细的Docker部署指南
• 看 MCP_INTEGRATION.md 有关MCP集成的详细信息
• 看 ENV_TEMPLATE.md 用于环境变量设置