🚀 MCP 基础 Demo

本项目展示了运用模型上下文协议 (MCP) 实现的基础客户端 - 服务器交互。MCP 可让 AI 模型（例如借助 AI SDK 访问的 Google Gemini/Vertex AI 等模型）安全地发现并利用由独立服务器进程提供的外部工具或资源。

项目亮点

• 服务器作为 MCP 提供方，提供简单计算工具。
• 客户端通过 AI SDK 与 Google AI 模型交互，并连接 MCP 服务器，使 AI 在生成过程中能调用服务器工具，扩展其能力。

🚀 快速开始

先决条件

• Node.js（版本 >=23.0.0，如 package.json 中指定）
• npm（随 Node.js 提供）
• Google AI (Gemini) API Key。可从 Google AI Studio 获取（使用 Gemini 模型时需要）

设置步骤

1. 克隆仓库

   git clone git@github.com:bertrandgressier/demo-ts-mcp-client-server.git
   cd demo-mcp-basic
   

2. 安装依赖项

   npm install
   

3. 创建环境文件 复制示例环境文件 .env.example 为新文件 .env：

   cp .env.example .env
   

   编辑 .env 文件，添加实际的 API 密钥和配置。所需的可选变量如下：

   # 必填项：用于 Google Studio 模型（Gemini）
   GOOGLE_API_KEY=YOUR_GOOGLE_API_KEY
   
   # 必填项：用于 Google Vertex AI 模型
   VERTEX_PROJECT_ID=YOUR_VERTEX_PROJECT_ID
   
   # 可选：未设置时默认为 'us-central1'
   # VERTEX_LOCATION=your-vertex-location
   
   # 可选：Vertex AI 服务账户密钥文件的路径。未设置时，默认为根目录中的 'vertex-key.json'。
   # VERTEX_KEY_FILE=path/to/your/vertex-key.json
   

   请将 YOUR_GOOGLE_API_KEY 和 YOUR_VERTEX_PROJECT_ID 替换为您自己的值。

   ⚠️ 重要提示

   请勿将 .env 文件提交到版本控制系统。

可用脚本

• npm run build：将项目源代码编译为 JavaScript。
• npm start：运行编译后的项目。
• npm run dev：以开发模式运行，更改代码后自动重新加载。

📚 详细文档

项目结构

• src/：存放 TypeScript 源代码。
  • client/：MCP 客户端应用程序代码。
  • server/：MCP 服务器应用程序代码。
  • model.ts：处理 AI 模型初始化和环境变量加载。
• dist/：编译后的 JavaScript 代码（运行 npm run build 后生成）。
• .env：存储环境变量（如 API 密钥等） - 请勿提交此文件。
• package.json：项目元数据和依赖项信息。
• tsconfig.json：TypeScript 编译器配置文件。

说明

此 Demo 展示了如何在 AI 应用程序中利用 MCP 协议集成外部工具。服务器提供基本数学运算功能，客户端通过与 Google Gemini 交互调用这些服务。