OpenStreetMap (OSM) MCP 服务器

一个增强大语言模型（LLM）功能的 OpenStreetMap MCP 实现，结合了地理位置服务和空间数据。

演示

会合点优化

邻里分析

停车搜索

功能

此服务器为 LLM 提供了与 OpenStreetMap 数据交互的工具，使其能够实现地理位置应用程序的以下功能：

• 将地址和地名转换为坐标
• 反向地理编码坐标到地址
• 找到附近的兴趣点
• 获取地点之间的路线方向
• 在给定范围内搜索地点
• 分类显示附近的位置

组件

资源

地理位置 (/location)

• 地理位置编码: 将自然语言描述转换为经纬度坐标。
  • 请求：POST /location
  • 参数：
    • query: 自然语言查询，例如 "Empire State Building"
    • bounds: 搜索范围的边界框
  • 响应:

    {
      "results": [
        {
          "display_name": "地点名称",
          "lat": "纬度",
          "lon": "经度",
          "confidence": "置信度"
        }
      ]
    }
    

搜索 (/search)

• 附近搜索: 在指定位置和半径内查找地点。
  • 请求：GET /search
  • 参数：
    • latitude: 中心点纬度
    • longitude: 中心点经度
    • radius: 搜索半径（米）
    • categories: 指定分类，例如 ["restaurant", "hotel"]
  • 响应:

    {
      "results": [
        {
          "display_name": "地点名称",
          "lat": "纬度",
          "lon": "经度",
          "category": "类别"
        }
      ],
      "total_count": "结果总数"
    }
    

使用案例

1. 房地产决策

• 用例: 在某个城市中心查找适合购房的区域。
• 步骤:
  1. 使用地理位置编码获取目标区域的经纬度。
  2. 在该区域内搜索教育资源、医疗设施和商业中心。
  3. 分析结果以评估该区域的生活质量。

2. EV 充电站寻找

• 用例: 找到距离最近的电动汽车充电站。
• 步骤:
  1. 获取当前所在位置的经纬度。
  2. 在半径为500米范围内搜索分类为"electric_charge"的地点。
  3. 显示结果并排序。

配置

开发人员配置

在开发环境中运行服务器时，请将以下内容添加到项目根目录中的 pyproject.toml 文件：

[build-system]
requires = ["uvu"]

调试

由于 MCP 服务器通过标准输入输出运行，调试可能较为困难。我们强烈推荐使用 MCP 检查器 来进行调试。

你可以通过以下命令启动 MCP 检查器：

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

启动后，检查器会显示一个 URL，可以在浏览器中访问以开始调试。

示例 API 使用

以下是一个使用关键 API 端点的快速示例：

import asyncio
from mcp.client import Client

async def main():
    client = Client("http://localhost:8000")
    
    # 地理位置编码
    results = await client.invoke_tool("geocode_address", {"address": "帝国大厦"})
    print(f"找到的位置：{results[0]['display_name']}")
    
    # 获取坐标
    lat = float(results[0]['lat'])
    lon = float(results[0]['lon'])
    
    # 搜索附近的咖啡店
    nearby = await client.invoke_tool(
        "find_nearby_places",
        {
            "latitude": lat,
            "longitude": lon,
            "radius": 500,
            "categories": ["cafe"],
            "limit": 5
        }
    )
    
    # 显示结果
    print(f"找到 {nearby['total_count']} 个附近地点")
    for category, subcategories in nearby["categories"].items():
        for subcategory, places in subcategories.items():
            print(f"  - {subcategory}: {len(places)} 个地点")

if __name__ == "__main__":
    asyncio.run(main())