ZYW-AI-MCP-REPO - 模型上下文协议（MCP）服务器托管库

这是一个用于托管和管理MCP（Model Context Protocol）服务器的TypeScript库，基于Next.js 14构建。该库提供了一套完整的工具，用于管理MCP服务器、创建AI任务流程、存储和检索向量嵌入，以及执行复杂的AI任务序列。

特性

• 🚀 MCP服务器管理 - 添加、更新、删除和运行MCP服务器
• 🔄 任务流程系统 - 定义和执行包含多个步骤的AI任务
• 🧠 向量嵌入和语义搜索 - 存储和检索基于相似度的内容
• 🤖 AI代理集成 - 使用OpenAI进行嵌入处理和任务分解
• 📊 数据库支持 - 使用Prisma ORM和PostgreSQL存储所有数据
• 🎨 用户界面组件 - 提供基于Mantine UI的客户端组件

安装

npm install zyw-ai-mcp-repo

基本用法

import { config, setupMCPServer, createTask, executeTask } from 'zyw-ai-mcp-repo';

// 配置库
config({
  openai: {
    apiKey: process.env.OPENAI_API_KEY,
    model: 'gpt-4o'
  },
  databaseUrl: process.env.DATABASE_URL
});

// 添加MCP服务器
const server = await setupMCPServer({
  name: 'Playwright Browser',
  githubUrl: 'https://github.com/example/mcp-playwright-browser',
  description: '提供浏览器自动化能力的MCP服务器'
});

/**
 * 注意：GitHub URL格式
 * 
 * 添加MCP服务器时，请确保使用正确的GitHub仓库URL格式：
 * 正确：https://github.com/用户名/仓库名
 * 错误：https://github.com/用户名/仓库名/tree/main/子目录
 * 
 * 系统会自动处理和规范化URL，但最好提供正确的仓库根URL。
 */

// 创建任务
const task = await createTask({
  name: '网页内容摘要',
  description: '访问网页并生成内容摘要',
  originalPrompt: '访问URL，提取主要内容并生成摘要'
});

// 执行任务
const result = await executeTask(task.id);
console.log(result);

客户端组件

该库提供了一系列预构建的React客户端组件，用于快速创建MCP服务器和任务管理界面：

// MCP服务器组件
import { MCPServerTabs, ExecutionForm } from 'zyw-ai-mcp/components/client/mcp-server';

// 任务组件
import { TaskTabs, AITaskDecomposer } from 'zyw-ai-mcp/components/client/task';

// UI工具组件
import { StatusBadge, SearchInput, PaginationControl } from 'zyw-ai-mcp/components/client/ui';

// 使用示例
export default function MCPServerPage() {
  return (
    <div className="container mx-auto p-4">
      <MCPServerTabs />
    </div>
  );
}

项目结构

zyw-ai-mcp/
├── src/
│   ├── actions/             # 服务器端操作
│   │   ├── mcp-server-actions.ts
│   │   └── task-actions.ts
│   ├── components/
│   │   ├── client/          # 客户端组件
│   │   │   ├── mcp-server/  # MCP服务器组件
│   │   │   ├── task/        # 任务组件
│   │   │   └── ui/          # UI工具组件
│   │   ├── server/          # 服务器端组件
│   │   └── types.ts
│   ├── lib/
│   │   ├── ai/              # AI工具
│   │   ├── db/              # 数据库工具
│   │   ├── mcp/             # MCP服务器管理
│   │   └── tasks/           # 任务管理
│   └── types/               # 类型定义
├── prisma/                  # Prisma模型和迁移
└── public/                  # 静态资源

API文档

配置

config({
  // 数据库配置
  prisma?: PrismaClient;
  databaseUrl?: string;
  
  // OpenAI配置
  openai?: {
    apiKey?: string;
    model?: string; // 默认: 'gpt-4o'
    temperature?: number; // 默认: 0.7
    maxTokens?: number; // 默认: 2000
    embeddingModel?: string; // 默认: 'text-embedding-3-large'
  };
  
  // MCP服务器配置
  mcpServers?: {
    defaultTimeout?: number; // 默认: 30000ms
    maxConcurrentServers?: number; // 默认: 5
    tempDir?: string; // 默认: './.mcp-temp'
  };
  
  // 向量搜索配置
  vectorSearch?: {
    dimensions?: number; // 默认: 1536
    similarityThreshold?: number; // 默认: 0.8
  };
});

MCP服务器管理

// 添加MCP服务器
const server = await setupMCPServer({
  name: string;
  githubUrl: string;
  description?: string;
  npmPackage?: string;
});

// 获取MCP服务器
const server = await getMCPServer(id);

// 更新MCP服务器
await updateMCPServer(id, {
  name?: string;
  description?: string;
  npmPackage?: string;
});

// 删除MCP服务器
await deleteMCPServer(id);

// 运行MCP服务器
const process = await runMCPServer(id, {
  prompt: string;
  context?: string;
  // 其他配置选项...
});

任务管理

// 创建任务
const task = await createTask({
  name: string;
  description?: string;
  originalPrompt?: string;
});

// 创建流程
const flow = await createFlow({
  taskId: string;
  name: string;
  description?: string;
  order: number;
  prompt: string;
});

// 添加MCP服务器到流程
const flowMCPServer = await addMCPServerToFlow(
  flowId: string,
  mcpServerId: string,
  order: number
);

// 执行任务
const result = await executeTask(taskId);

向量嵌入和搜索

// 创建嵌入向量
const embedding = await createEmbedding(text);

// 搜索相似向量
const results = await searchSimilarVectors(embedding, threshold, limit);

// 按MCP服务器ID搜索向量
const results = await searchSimilarVectorsByMCPServer(embedding, mcpServerId);

// 基于文本查询搜索
const results = await searchSimilarContent(query);

// 根据文本查询相关的MCP服务器
const serverIds = await searchRelevantMCPServers(query);

数据库设置

1. 安装PostgreSQL
2. 创建.env文件并设置数据库连接：

DATABASE_URL="postgresql://username:password@localhost:5432/mcp_db?schema=public"

3. 运行数据库迁移：

npx prisma migrate dev --name init

authjs设置

允许宿主项目通过config({auth:hostAuth})方式指定auth： 修改了src/auth.ts文件： 将配置部分与实例创建分离 添加了config函数，支持传入外部auth实例 添加了getAuth函数，返回当前配置的auth实例 增加了初始化状态检查，防止重复配置 更新了src/actions/mcp-server-actions.ts： 修改导入，使用getAuth函数获取当前auth实例 调用方式改为getAuth()() 更新了src/index.ts入口文件： 使用authConfig名称导出auth配置函数，避免与库本身的config冲突 添加了getAuth函数导出 更新了API路由文件，增加getAuth导入

import { authConfig } from 'zyw-ai-mcp-repo';

// 使用宿主项目的auth实例配置
authConfig({ auth: myHostAuth }); //myHostAuth 一般为@/auth

示例

请查看示例目录获取更多用法示例。

贡献

欢迎提交Pull Request和Issue。

许可证

MIT

向量处理功能

MCP平台支持向量数据处理，可用于语义搜索和相似性匹配，特别适用于推荐相关MCP服务器。

向量嵌入优化

本库在处理向量数据时，会自动优化嵌入内容，避免超出模型token限制：

• 从README中仅提取标题、介绍和关键段落
• 从代码文件中仅提取类、函数和导出项的定义
• 优先处理重要文件，如index、main、api等
• 限制文件处理数量和内容长度

这种优化不仅降低了token使用量，还提高了相似性搜索的准确性，因为嵌入内容集中在最有代表性的内容上。

PostgreSQL向量扩展

使用向量功能需要在PostgreSQL中安装pgvector扩展：

-- 安装扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 验证安装
SELECT * FROM pg_extension WHERE extname = 'vector';

基本向量函数

• createEmbedding(text): 创建文本的向量嵌入表示
• cosineSimilarity(a, b): 计算两个向量间的余弦相似度

向量搜索

• searchSimilarContent(query, threshold, limit): 搜索与查询文本相似的内容
• searchRelevantMCPServers(query, threshold, limit): 查找与查询文本相关的MCP服务器
• findRelevantMCPServers(content, threshold, limit): 通过语义相似性查找相关服务器

向量记录管理

• createVectorRecord(content, metadata, mcpServerId): 创建新的向量记录
• updateVectorRecord(id, content, metadata): 更新现有向量记录
• setMCPServerVector(serverId, content): 设置MCP服务器的向量表示
• updateAllMCPServerVectors(): 更新所有MCP服务器的向量表示
• rebuildServerVectors(serverId?): 重建单个或所有MCP服务器的向量表示

向量数据库操作

由于Prisma目前不完全支持向量字段操作，我们提供了直接操作数据库的函数:

• insertWithVector({table, data, vectorField, vectorData}): 插入包含向量字段的数据
• updateWithVector({table, where, data, vectorField, vectorData}): 更新包含向量字段的数据
• querySimilarVectors({table, vectorField, vectorData, threshold, limit}): 查询相似向量