简单的MCP聊天

一个初学者友好的Python聊天机器人，连接到Workato的Enterprise MCP服务器。这是将MCP（模型上下文协议）与AI模型一起使用的最简单的例子。

多种AI选项可供选择：

开放人工智能 （GPT-4、GPT-4o、GPT-3.5）-基于云，功能强大，易于使用
克劳德 （人择）-高级推理、长篇背景、深思熟虑的回应
奥拉玛 -在本地运行开源LLM（llama3.2、mistral、qwen2.5等）
LM 工作室 -运行本地LLM以保护隐私并节省成本

这有什么作用？

这个聊天机器人可以：

连接同时连接到多个Workato MCP服务器
发现每个服务器都有哪些可用的工具（如CRM数据、电子表格、项目管理等）
聊天人工智能会自动使用这些工具来回答你的问题

例如，如果您连接到Salesforce MCP服务器，您可以问：

“向我展示我超过5万美元的开放机会”
“上周完成了哪些交易？”
“查找Acme Corp的联系人”

或者，如果您配置了多个服务器（例如Salesforce+Google Sheets），您可以问：

“提取我的管道数据并将其添加到我的预测电子表格中”

AI会自动从正确的服务器调用正确的工具，并给你一个自然语言的响应。

关键概念解释

什么是MCP？

MCP（模型上下文协议） 是AI模型使用外部工具和数据源的标准方式。把它想象成一个通用适配器，让任何人工智能与任何服务进行通信。

什么是Workato企业MCP？

Workato提供连接到各种企业服务（如CRM、数据库、生产力工具）的托管MCP服务器。你得到：

安全：OAuth 2.0和加密凭据
合规：企业条例的审计记录
可靠性：速率限制和自动重试

什么是函数调用？

当你问人工智能一个问题时，它会决定是否需要外部数据。如果是这样，它：

告诉我们调用哪种工具
我们调用MCP服务器上的工具
我们将结果发送回AI
AI给你一个人类可读的答案

项目结构

simple-mcp-chat/
├── chat-openai.py             # OpenAI implementation (heavily commented!)
├── chat-claude.py             # Claude (Anthropic) implementation
├── chat-ollama.py             # Ollama version for local open-source LLMs
├── chat-lmstudio.py           # LM Studio version for local LLMs
├── oauth_handler.py           # OAuth 2.0 authentication handler with PKCE
├── troubleshoot_openai.py     # OpenAI connection troubleshooter
├── mcp_servers.json           # Your MCP server configs (don't commit this!)
├── mcp_servers.example.json   # Example server configuration
├── .mcp_tokens.json           # OAuth tokens storage (auto-generated, don't commit!)
├── pyproject.toml             # Python dependencies
├── uv.lock                    # Locked dependency versions
├── .env                       # Your API keys (don't commit this!)
├── env.example                # Example environment configuration
├── .gitignore                 # Git ignore rules
└── README.md                  # You're reading it

先决条件

在开始之前，您需要：

Python 3.10+ 已安装在您的计算机上
紫外线 包管理器(安装说明)
AI提供商 由您选择：

- OpenAI API密钥 从 platform.openai.com （聊天openai.py） - API密钥 从 console.anthropic.com （用于聊天claude.py） - 奥拉玛 安装自奥拉玛（用于聊天olama.py） - LM 工作室 安装自 lmstudio.ai （适用于聊天lmstudio.py）

Workato MCP URL 从您的Workato工作区

安装说明

第一步：克隆或下载

git clone YOUR_REPO_URL
cd simple-mcp-chat

步骤2：创建配置文件

复制示例文件：

cp env.example .env
cp mcp_servers.example.json mcp_servers.json

编辑 .env 使用API密钥：

# OpenAI Configuration (for chat-openai.py)
OPENAI_API_KEY=sk-proj-...your-key-here...
MODEL=gpt-4o-mini

# Claude Configuration (for chat-claude.py)
CLAUDE_API_KEY=sk-ant-...your-key-here...
CLAUDE_MODEL=claude-sonnet-4-5-20250929

# Ollama Configuration (for chat-ollama.py)
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=llama3.2

# LM Studio Configuration (for chat-lmstudio.py)
LMSTUDIO_BASE_URL=http://localhost:1234/v1
LMSTUDIO_MODEL=local-model

编辑 mcp_servers.json 配置您的MCP服务器。您可以使用基于令牌的身份验证或OAuth身份验证。

基于令牌的身份验证（简单）：

{
  "servers": [
    {
      "name": "salesforce",
      "url": "https://apim.workato.com/your-workspace/salesforce-mcp?token=YOUR_TOKEN",
      "enabled": true,
      "auth_type": "token"
    },
    {
      "name": "jira",
      "url": "https://apim.workato.com/your-workspace/jira-mcp?token=YOUR_TOKEN",
      "enabled": true,
      "auth_type": "token"
    }
  ]
}

OAuth 2.0身份验证（基于浏览器） 对于需要OAuth的服务器：

{
  "servers": [
    {
      "name": "sheets",
      "url": "https://2107.apim.mcp.workato.com/",
      "enabled": true,
      "auth_type": "oauth"
    }
  ]
}

就是这样！刚刚设置 "auth_type": "oauth" 其他一切都是自动的。当你运行聊天机器人时，它将：

自动发现OAuth端点 通过 .well-known/oauth-authorization-server
自动注册为OAuth客户端 使用动态客户端注册（RFC 7591）
检查您是否有已存储的有效OAuth令牌
如果不是， 打开浏览器 用于身份验证
在端口8080上启动本地服务器以接收OAuth回调
使用以下方式交换访问令牌的授权码 PKCE （代码交换的证明密钥，RFC 7636）用于安全
将令牌安全地存储在 .mcp_tokens.json （Git除外）
使用 承载令牌身份验证 在授权标头中（标准OAuth实践）
令牌过期时自动刷新令牌

安全功能：

PKCE（RFC 7636）：防止授权码拦截攻击
动态客户端注册（RFC 7591）：不需要手动设置OAuth客户端
自动OAuth发现：从以下位置发现终结点 .well-known/oauth-authorization-server
令牌存储：安全地将令牌与客户端凭据分开存储
承载令牌身份验证：使用标准 Authorization: Bearer 标头

可选OAuth配置

所有OAuth参数都是可选的，如果没有提供，将自动发现/自动配置。如果需要，您可以覆盖默认值：

{
  "name": "sheets",
  "url": "https://2107.apim.mcp.workato.com/",
  "enabled": true,
  "auth_type": "oauth",
  "oauth": {
    "client_id": "custom_client_id",
    "client_secret": "custom_client_secret",
    "scopes": ["mcp.read", "mcp.write"],
    "redirect_port": 8080,
    "auth_url": "https://id.workato.com/oauth/authorize",
    "token_url": "https://id.workato.com/oauth/token"
  }
}

每个服务器的配置选项：

选项	描述
`name`	短标识符（用于在工具名称前加前缀）
`url`	完整的Workato MCP端点URL
`enabled`	设置为 `false` 临时禁用服务器
`auth_type`	要么 `"token"` （默认）或 `"oauth"`

OAuth选项（全部可选）：

选项	描述
`client_id`	OAuth客户端ID-如果没有提供，将通过RFC 7591自动注册
`client_secret`	OAuth客户端密钥-如果没有提供，将通过RFC 7591自动注册
`scopes`	要请求的OAuth作用域数组-如果未提供，则使用服务器默认值
`redirect_port`	OAuth回调的本地端口-默认为8080
`auth_url`	自定义授权终结点-如果未提供，则自动发现
`token_url`	自定义令牌终结点-如果未提供，则自动发现

OAuth自动发现和自动注册流程：

端点发现：胎儿 .well-known/oauth-authorization-server 从服务器URL发现授权端点、令牌端点、注册端点和支持的授权类型/范围。

动态客户端注册：如果没有 client_id 提供，自动注册为OAuth客户端，生成客户端名称(simple-mcp-chat-{server_name})，设置重定向URI(http://localhost:{redirect_port}/callback)，并将客户端凭据存储在 .mcp_tokens.json.

PKCE流程：通过生成随机代码验证器、创建SHA256代码挑战、发送带有授权请求的挑战以及发送带有令牌请求的验证器，使用验证密钥进行代码交换以确保安全。

许可证管理：将访问令牌和刷新令牌存储在 .mcp_tokens.json，跟踪令牌过期时间，在需要时自动刷新令牌，并将客户端凭据与访问令牌分离以确保安全。

步骤3：安装依赖项

uv sync

这将安装：

openai -用于与GPT对话（聊天openai.py使用）
anthropic -用于与克劳德交谈（由chat Claude.py使用）
python-dotenv -用于加载.env文件
requests -用于对MCP服务器进行HTTP调用和OAuth身份验证

步骤4：运行聊天

选择您的AI提供商：

选项A:OpenAI（云）

uv run python chat-openai.py

系统提示：

# Using command line argument
uv run python chat-openai.py --system-prompt "You are a helpful medical assistant."

# Or use the short form
uv run python chat-openai.py -s "You are a concise assistant that answers in bullet points."

# View all options
uv run python chat-openai.py --help

选项B：克劳德（云）

uv run python chat-claude.py

系统提示：

# Using command line argument
uv run python chat-claude.py --system-prompt "You are a helpful medical assistant."

# Or use the short form
uv run python chat-claude.py -s "You are a concise assistant that answers in bullet points."

# View all options
uv run python chat-claude.py --help

您应该看到：

MCP Chat - Discovering tools...
  - salesforce: 5 tools
  - jira: 3 tools

Connected to 2 server(s) with 8 total tools
Type 'quit' or 'exit' to end
----------------------------------------

You:

如果你有启用了OAuth的服务器，第一次运行将包括OAuth身份验证：

MCP Chat - Discovering tools...
  Discovered auth endpoint: https://id.workato.com/oauth/authorize
  Discovered token endpoint: https://id.workato.com/oauth/token
  Registering OAuth client for sheets...
  [OK] Client registered successfully

  Opening browser for OAuth authentication...
  Waiting for authorization...

  [SUCCESS] Authorization code received
  [SUCCESS] Access token obtained
  [SUCCESS] Token stored for future use

  - salesforce: 5 tools
  - sheets: 1 tools

Connected to 2 server(s) with 6 total tools
Type 'quit' or 'exit' to end
----------------------------------------

You:

后续运行将使用存储的令牌：

MCP Chat - Discovering tools...
Using stored token for sheets
  - salesforce: 5 tools
  - sheets: 1 tools

Connected to 2 server(s) with 6 total tools

克劳德的具体特点：

克劳德提供了一些独特的优势：

长上下文：处理更大的对话和更多的工具结果
高级推理：擅长复杂的多步骤查询
深思熟虑的回应：更详细的解释和分析
最新款式：访问克劳德十四行诗4.5、Opus 4.5和上一代型号

克劳德模型：

claude-sonnet-4-5-20250929 -最新Claude Sonnet 4.5，性能和成本的最佳平衡（推荐）
claude-opus-4-5-20251101 -最强大的Claude模型，最适合复杂任务
claude-3-5-sonnet-20241022 -上一代Sonnet，仍然非常有能力
claude-3-opus-20240229 -上一代Opus
claude-3-haiku-20240307 -最快、最经济

选项C：Ollama（当地）

通过Ollama使用本地开源LLM运行：

安装Ollama 从奥拉玛

确认Ollama正在运行:

# Check if Ollama is running
curl http://localhost:11434/api/tags

# Should return JSON with list of installed models

运行Ollama聊天:

如果模型尚未安装，聊天脚本将自动拉取模型，因此您可以跳过手册 ollama pull 一步！

uv run python chat-ollama.py

系统提示：

# Using command line argument
uv run python chat-ollama.py --system-prompt "You are a helpful medical assistant."

# Or use the short form
uv run python chat-ollama.py -s "You are a concise assistant that answers in bullet points."

# View all options
uv run python chat-ollama.py --help

您应该看到：

Ollama MCP Chat
----------------------------------------
Checking if model 'llama3.2' exists... ✓
Loading model 'llama3.2' into memory... ✓
Discovering tools...
  - salesforce: 5 tools
  - jira: 3 tools

Connected to 2 server(s) with 8 total tools
Using model: llama3.2
Type 'quit' or 'exit' to end
----------------------------------------

You:

如果模型尚未安装，它将被自动拉取：

Ollama MCP Chat
----------------------------------------
Checking if model 'llama3.2' exists... not found
Pulling model 'llama3.2' from Ollama registry...
  pulling manifest
  pulling [layer details with progress]
  verifying sha256 digest
  writing manifest
  removing any unused layers
Successfully pulled model 'llama3.2' ✓
Loading model 'llama3.2' into memory... ✓
Discovering tools...

Olama的具体特点：

100%本地：所有处理都发生在您的机器上，没有云API调用
注重隐私：你的数据永远不会离开你的电脑
无API成本：免费使用，无使用限制
开源模型：访问llama3、mistral、qwen等
自动模型管理：如果未安装，模型将自动拉取
可定制的：为您的特定用例微调模型

Ollama配置 （可选，in .env):

# Change the Ollama server URL if needed (default: http://localhost:11434)
OLLAMA_BASE_URL=http://localhost:11434

# Change the model to use (must be pulled first)
OLLAMA_MODEL=llama3.2

# Other good options:
# OLLAMA_MODEL=mistral
# OLLAMA_MODEL=qwen2.5
# OLLAMA_MODEL=llama3.1

MCP工具调用的推荐模型：

型号	尺寸	函数调用	最适合
llama3.2	3B	是	通用，快速响应
mistral	7B	是	性能均衡
qwen2.5	7B	是	多语言，编码
llama3.1	8B	是	高级推理

注：并非所有Ollama型号都支持函数调用。对于MCP工具集成，您必须使用支持函数调用的模型（如上所列）。检查型号卡 ollama.ai/图书馆用于函数调用支持。

手动模型安装 （可选）：

如果您希望在运行聊天脚本之前手动安装模型：

# Recommended models with function calling support
ollama pull llama3.2        # Meta's Llama 3.2 (recommended)
ollama pull mistral         # Mistral AI's model
ollama pull qwen2.5         # Alibaba's Qwen 2.5
ollama pull llama3.1        # Meta's Llama 3.1

# List installed models
ollama list

选项D:LM工作室（本地）

通过LM Studio使用本地LLM运行：

安装并启动LM Studio 从 lmstudio.ai
加载模型 支持函数调用（查找支持“函数调用”或“工具使用”的模型）
启动本地服务器 在LM Studio中（默认值： http://localhost:1234)
运行LM Studio聊天:

uv run python chat-lmstudio.py

您应该看到：

LM Studio MCP Chat - Discovering tools...
  - salesforce: 5 tools
  - jira: 3 tools

Connected to LM Studio at http://localhost:1234/v1
Connected to 2 MCP server(s) with 8 total tools

Note: Make sure you have a model loaded in LM Studio!
For best results, use a model that supports function calling.
Type 'quit' or 'exit' to end
----------------------------------------

You:

LM工作室配置 （可选，in .env):

# Change the LM Studio server URL if needed
LMSTUDIO_BASE_URL=http://localhost:1234/v1

# Model name (usually ignored by LM Studio)
LMSTUDIO_MODEL=local-model

# Optional: Set a default system prompt to guide LLM behavior
SYSTEM_PROMPT=You are a helpful assistant.

使用系统提示：

您可以通过环境变量或命令行提供系统提示来自定义LLM的行为：

# Using environment variable (set in .env)
uv run python chat-lmstudio.py

# Using command line argument
uv run python chat-lmstudio.py --system-prompt "You are a helpful medical assistant."

# Or use the short form
uv run python chat-lmstudio.py -s "You are a concise assistant that answers in bullet points."

# View all options
uv run python chat-lmstudio.py --help

系统提示可用于：

设定回应的基调和风格
专门为特定领域（医疗、法律、技术等）提供助理服务
强制执行响应格式（要点、简短回答、详细解释）
添加自定义指令或约束

工具名称会自动以服务器名称作为前缀（例如。， salesforce__Query_Records)以避免服务器之间的冲突。

当前注射日期/时间

聊天机器人会自动将当前日期和时间注入到每条用户消息中，以确保LLM始终知道基于时间的查询的当前日期。这对于CGM数据分析等应用程序尤为重要，因为“过去3天”或“本周”需要从今天的日期开始计算。

配置：

# Automatically inject current date/time (recommended)
INJECT_CURRENT_DATE=true

它是如何工作的：

每条用户消息都会自动添加当前日期和时间：

[Current date and time: 2026-01-12 16:30:45 (formatted for API: 2026-01-12T16:30:45)]

What were my glucose levels in the last 3 days?

这确保了LLM：

知道确切的当前日期（不依赖于其知识截止日期）
可以准确计算相对日期（“最近3天”、“本周”等）
为API调用使用正确的日期格式（YYYY-MM-DDTHH:MM:SS）

何时禁用：

集 INJECT_CURRENT_DATE=false 如果：

你正在用历史对话进行测试
当前日期与您的用例无关
您想在提示中手动指定日期

日志记录和调试

OpenAI和LM Studio版本都包含全面的日志记录，以帮助您调试问题并了解幕后发生的事情。

启用详细日志记录

聊天机器人支持对控制台和文件进行灵活的日志记录。将这些添加到您的 .env 文件：

# Logging level (DEBUG, INFO, WARNING, ERROR, CRITICAL)
LOG_LEVEL=DEBUG

# Log to file (optional)
LOG_FILE=logs/chat.log

# Show logs in terminal (true/false)
LOG_TO_CONSOLE=true

配置选项：

变量	描述	示例
`LOG_LEVEL`	日志详细级别	`DEBUG`, `INFO`, `WARNING`
`LOG_FILE`	日志文件路径（留空禁用）	`logs/chat.log`
`LOG_TO_CONSOLE`	在终端中显示日志	`true` 或 `false`

常见配置：

仅调试到文件（干净终端）：

   LOG_LEVEL=DEBUG
   LOG_FILE=logs/chat.log
   LOG_TO_CONSOLE=false

调试到文件和终端：

   LOG_LEVEL=DEBUG
   LOG_FILE=logs/chat.log
   LOG_TO_CONSOLE=true

仅控制台（无文件）：

   LOG_LEVEL=DEBUG
   LOG_FILE=
   LOG_TO_CONSOLE=true

日志级别说明：

调试：显示所有通信详细信息，包括：

- 完成MCP JSON-RPC请求和响应 - 完整的OpenAI/Claude/LM Studio API请求和响应 - 工具发现过程 - 工具执行细节 - 令牌使用统计

信息：显示高级操作：

- 工具调用以及正在调用哪些工具 - 服务器连接状态 - OAuth身份验证流程

警告：仅显示警告和错误

错误/严重：仅显示错误

调试输出示例

当 LOG_LEVEL=DEBUG，您将看到详细的日志，如：

2026-01-12 10:30:45 - __main__ - DEBUG - ================================================================================
2026-01-12 10:30:45 - __main__ - DEBUG - MCP REQUEST
2026-01-12 10:30:45 - __main__ - DEBUG - URL: https://apim.workato.com/your-workspace/dexcom-mcp
2026-01-12 10:30:45 - __main__ - DEBUG - Method: tools/call
2026-01-12 10:30:45 - __main__ - DEBUG - Headers: {
  "Authorization": "Bearer ***"
}
2026-01-12 10:30:45 - __main__ - DEBUG - Payload: {
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "Get_Glucose_Values_v1",
    "arguments": {
      "start_date_time": "2026-01-01T00:00:00",
      "end_date_time": "2026-01-07T23:59:59"
    }
  }
}
2026-01-12 10:30:46 - __main__ - DEBUG - MCP RESPONSE
2026-01-12 10:30:46 - __main__ - DEBUG - Status Code: 200
2026-01-12 10:30:46 - __main__ - DEBUG - Response: {
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "Found 1,234 glucose readings..."
      }
    ]
  }
}
2026-01-12 10:30:46 - __main__ - DEBUG - ================================================================================
2026-01-12 10:30:46 - __main__ - DEBUG - ================================================================================
2026-01-12 10:30:46 - __main__ - DEBUG - OPENAI REQUEST
2026-01-12 10:30:46 - __main__ - DEBUG - Model: gpt-4o-mini
2026-01-12 10:30:46 - __main__ - DEBUG - Messages: [
  {
    "role": "user",
    "content": "What was my average glucose last week?"
  },
  {
    "role": "tool",
    "tool_call_id": "call_abc123",
    "content": "Found 1,234 glucose readings..."
  }
]
2026-01-12 10:30:47 - __main__ - DEBUG - OPENAI RESPONSE
2026-01-12 10:30:47 - __main__ - DEBUG - Finish Reason: stop
2026-01-12 10:30:47 - __main__ - DEBUG - Content: Your average glucose last week was 125 mg/dL...
2026-01-12 10:30:47 - __main__ - DEBUG - Usage: prompt_tokens=523, completion_tokens=87, total_tokens=610
2026-01-12 10:30:47 - __main__ - DEBUG - ================================================================================

记录的内容

MCP服务器通信：

请求URL和方法
请求有效载荷（JSON-RPC 2.0格式）
授权标头（出于安全考虑而屏蔽）
响应状态代码
完整的响应数据

人工智能模型通信（OpenAI/Claude/LM Studio）：

正在使用的模型
发送到LLM的完整消息历史记录
可用工具及其名称
LLM的响应内容
LLM请求的工具调用
令牌使用情况：

- OpenAI/LM Studio：提示标记、完成标记、总计标记 - 克劳德：输入标记，输出标记

工具操作：

从每台服务器发现工具
工具名称和说明
使用参数执行工具
工具结果（如果很长，则截断）

日志文件

当 LOG_FILE 设置后，日志将保存到指定文件：

这 logs/ 如果目录不存在，则会自动创建
日志会附加到文件中（不会被覆盖）
这 logs/ 目录已从Git中排除（已在 .gitignore)
您可以使用任何路径： logs/chat.log, logs/debug-2026-01-12.log等等。

查看日志文件：

# View entire log file
cat logs/chat.log

# Follow log in real-time (like tail -f)
tail -f logs/chat.log

# View last 50 lines
tail -n 50 logs/chat.log

# Search logs for errors
grep "ERROR" logs/chat.log

令牌使用跟踪

聊天机器人可以维护一个单独的日志文件，专门用于跟踪所有API调用的令牌使用情况。这对于以下方面来说是无价的：

监控API成本
优化提示和系统消息
识别昂贵的查询
随时间跟踪使用情况

配置：

# Enable token usage logging
TOKEN_LOG_FILE=logs/tokens.log

令牌日志格式：

每个API调用都会记录以下信息：

2026-01-12 16:45:30 - MODEL=gpt-4o-mini | PROMPT=523 | COMPLETION=87 | TOTAL=610 | TYPE=initial_request | USER_PROMPT=What were my glucose levels in the last 3 days? | SERVERS=dexcom | TOOLS=dexcom__Get_Data_Range_VUA_, dexcom__Get_Glucose_Values_VUA_ | RESPONSE=[Tool calls only]
2026-01-12 16:45:35 - MODEL=gpt-4o-mini | PROMPT=1250 | COMPLETION=45 | TOTAL=1295 | TYPE=tool_followup | USER_PROMPT=What were my glucose levels in the last 3 days? | SERVERS=none | TOOLS=none | RESPONSE=Based on the data from the last 3 days, your average glucose was 145 mg/dL with 68% time in range (70-180 mg/dL). You had 12 low readings below 70 mg/dL and 45 high readings...

日志字段：

模型：所使用的模型（例如。， gpt-4o-mini, claude-3-5-sonnet-20241022, local-model)
提示或输入：提示/输入令牌的数量（取决于提供者）
完成或输出：完成/输出令牌的数量（取决于提供商）
总计：使用的令牌总数
类型：请求类型(initial_request 或 tool_followup)
USER_PROMPT：用户的问题/提示（截断为100个字符）
服务器：使用的MCP服务器的逗号分隔列表（例如。， dexcom, salesforce)或“无”
工具：以逗号分隔的已调用工具列表，或“无”
响应：助理的回复（截断为200个字符）

注：令牌字段名称因提供商而异：

OpenAI/LM工作室： PROMPT, COMPLETION, TOTAL
克劳德： INPUT, OUTPUT, TOTAL

分析令牌使用情况：

# View all token usage
cat logs/tokens.log

# Calculate total tokens used
awk -F'TOTAL=' '{sum+=$2} END {print "Total tokens:", sum}' logs/tokens.log | awk '{print $1, $2, $3}'

# Find most expensive queries
sort -t'=' -k5 -nr logs/tokens.log | head -10

# Count API calls per day
grep "2026-01-12" logs/tokens.log | wc -l

成本计算示例：

为了进行定价比较（示例费率）：

OpenAI：

- GPT-4o-mini：约0.15美元/百万输入代币，约0.60美元/百万输出代币 - GPT-4o:~2.50/100万输入代币，~10.00万输出代币

克劳德：

- 克劳德3.5十四行诗：约3.00/1M输入代币，约15.0/1M输出代币 - 克劳德3作品：约15.00/1M输入代币，约75.00/1M输出代币 - Claude 3 Haiku：约0.25美元/百万输入代币，约1.25美元/百万输出代币

LM工作室： 免费（本地运行）

使用令牌日志估算成本并优化使用。

安全说明

日志中的授权令牌会自动屏蔽以显示 Bearer *** 而不是实际的令牌值。即使启用了DEBUG日志记录，API密钥也保持安全。

如何使用

只需输入自然语言问题！人工智能将找出要使用的工具。

对话示例

You: What open deals do I have over $100k?

[Calling salesforce__Query_Opportunities...]

A: You have 3 open opportunities over $100k:
   1. Acme Corp - Enterprise License ($150,000) - Closing Jan 30
   2. GlobalTech - Platform Deal ($125,000) - Closing Feb 15
   3. Initech - Annual Contract ($110,000) - Closing Feb 28

You: Create a Jira ticket to follow up on the Acme deal

[Calling jira__Create_Issue...]

A: Created SALES-142: "Follow up on Acme Corp Enterprise License opportunity"

示例提示

以下是您可以使用不同MCP工具尝试的一些提示：

客户关系管理（Salesforce、HubSpot）

“显示本月关闭的所有机会”
“查找医疗保健行业公司的联系人”
“我的管道总价值是多少？”
“列出我30天内未联系过的帐户”
“在Acme Corp为John Smith创建新的潜在客户”

项目管理（Jira、Asana）

“分配给我的票是什么？”
“显示所有高优先级错误”
“创建一个任务来审查Q1路线图”
“项目123的状态如何？”
“列出本周更新的所有问题”

生产力（谷歌表格、日历）

“在我的销售跟踪电子表格中添加一行”
“我明天有什么会议？”
“查找名称中包含“预算”的所有电子表格”
“更新单元格B5以显示新的预测”

沟通（Slack、电子邮件）

“向#销售团队发送有关新定价的消息”
“搜索我们法律团队的电子邮件”
“我有哪些未读消息？”

多工具查询

AI可以自动链接多个工具调用：

“找到我最大的交易，并创建Jira票来准备提案”
“获取我明天的日历，并将Slack摘要发送给我的团队”
“提取第四季度销售数据并更新预测电子表格”

故障排除

OpenAI连接故障排除程序

如果您在连接到OpenAI时遇到问题，请运行内置的故障排除程序：

uv run python troubleshoot_openai.py

此脚本诊断常见问题，包括：

与OpenAI服务器的网络连接
DNS解析
防火墙/代理阻止
SSL/TLS问题
API密钥验证
模型访问

要获得更详细的输出，请使用verbose标志：

uv run python troubleshoot_openai.py --verbose

“未配置MCP服务器”

确保你有一个 mcp_servers.json 配置了至少一个服务器的文件。

“未发现任何工具”

检查您的服务器URL是否在 mcp_servers.json 正确，并包含身份验证令牌（用于基于令牌的身份验证）或OAuth身份验证成功（用于OAuth身份验证）。

“调用工具时出错”或“401未经授权”

对于 基于令牌的身份验证：您的令牌可能已过期。检查您的Workato工作区以获取新令牌。
对于 OAuth身份验证：您存储的令牌可能已过期。删除 .mcp_tokens.json 并重新启动应用程序以重新进行身份验证。

“API密钥无效”

确保你的 OPENAI_API_KEY 在以下方面是正确的 .env 文件。

一台服务器发生故障，但其他服务器正常工作

聊天机器人将继续使用成功的服务器。检查故障服务器的错误消息，并验证其URL/令牌。

OAuth：“OAuth身份验证失败”

常见原因：

端口8080已在使用中：更改 redirect_port 在OAuth配置中
浏览器未打开：手动将URL从终端复制到浏览器中
OAuth服务器不支持动态注册：在Workato中手动创建OAuth客户端并提供 client_id 和 client_secret 在配置中

OAuth：“需要代码挑战”

这不应该发生-PKCE是自动启用的。如果你看到这个，请将其报告为错误。

OAuth：令牌已存储，但仍出现401个错误

OAuth实现使用承载令牌身份验证。如果你仍然收到401错误：

删除 .mcp_tokens.json
重新启动应用程序
在浏览器中重新进行身份验证
新令牌将使用承载身份验证

LM Studio：“无法连接到LM Studio”

确保LM Studio正在运行，并且本地服务器已启动。检查URL是否匹配（默认值： http://localhost:1234/v1).

LM Studio：未调用工具

并非所有型号都支持函数调用。尝试一个明确支持工具使用的模型，例如：

Mistral指令模型
支持函数调用的Llama模型
带工具支持的Qwen模型

Ollama：“无法连接到Ollama”

确保Ollama已安装并正在运行。检查服务：

# Check if Ollama is running
curl http://localhost:11434/api/tags

# Or check the version
ollama --version

如果Ollama没有跑步，就开始吧：

macOS/Linux：Ollama安装后自动启动，或运行 ollama serve
视窗：从“开始”菜单或系统托盘启动Olama

Ollama：“找不到模型”或拉取失败

聊天脚本会自动提取未安装的模型。如果自动拉动失败：

# Manually pull the model specified in your .env
ollama pull llama3.2

# Verify it's installed
ollama list

拉拔失败的常见原因：

无网络连接
磁盘空间不足
Ollama服务运行不正常
型号名称输入错误 .env 文件

Ollama：工具未被调用或响应不正确

并非所有Ollama型号都支持函数调用。使用具有经过验证的工具支持的型号：

骆驼3.2 （建议一般使用）
密史脱拉风 （良好的性能平衡）
qwen2.5 （多语言，编码）
骆驼3.1 （高级推理）

较小的型号，如 llama3.2:1b 速度很快，但在复杂的工具调用中可能不太准确。为了获得最佳效果，请使用默认的3B或更大的模型。

奥利玛：反应迟钝

尝试更小/更快的型号：

# Very fast, lightweight (good for testing)
ollama pull llama3.2:1b

# Or use GGUF quantized models for better performance
ollama pull llama3.2:3b-q4_0

您还可以调整 OLLAMA_MODEL 设置在你的 .env 文件。

许可证

麻省理工学院

Simple Enterprise MCP Chat

快速接入

详细介绍

简单的MCP聊天

这有什么作用？

关键概念解释

什么是MCP？

什么是Workato企业MCP？

什么是函数调用？

项目结构

先决条件

安装说明

第一步：克隆或下载

步骤2：创建配置文件

可选OAuth配置

步骤3：安装依赖项

步骤4：运行聊天

选项A:OpenAI（云）

选项B：克劳德（云）

选项C：Ollama（当地）

选项D:LM工作室（本地）

当前注射日期/时间

日志记录和调试

启用详细日志记录

调试输出示例

记录的内容

日志文件

令牌使用跟踪

安全说明

如何使用

对话示例

示例提示

客户关系管理（Salesforce、HubSpot）

项目管理（Jira、Asana）

生产力（谷歌表格、日历）

沟通（Slack、电子邮件）

多工具查询

故障排除

OpenAI连接故障排除程序

“未配置MCP服务器”

“未发现任何工具”

“调用工具时出错”或“401未经授权”

“API密钥无效”

一台服务器发生故障，但其他服务器正常工作

OAuth：“OAuth身份验证失败”

OAuth：“需要代码挑战”

OAuth：令牌已存储，但仍出现401个错误

LM Studio：“无法连接到LM Studio”

LM Studio：未调用工具

Ollama：“无法连接到Ollama”

Ollama：“找不到模型”或拉取失败

Ollama：工具未被调用或响应不正确

奥利玛：反应迟钝

许可证

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP